Scrapy爬取淘宝网数据的尝试

因为想学习数据库，想要获取较大量的数据，第一个想到的自然就是淘宝。。。。其中有大量的商品信息，淘宝网反爬措施还是比较多，特别是详情页面还有恶心的动态内容

该例子中使用Scrapy框架中的基础爬虫(CrawlSpider还有点没搞清楚= = b)

先贴上整体代码

import scrapy
import re
import csv
import pymongo
from tmail.items import TmailItem
class WeisuenSpider(scrapy.Spider):name = 'weisuen'start_url = 'https://s.taobao.com/search?q=%E5%B8%BD%E5%AD%90&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170817&s=300'detail_urls=[]data=[]client=pymongo.MongoClient("localhost",27017)db=client.taobaodb=db.itemsdef start_requests(self):for i in range(30):#爬31页数据差不多了url=self.start_url+'&s='+str(i*44)yield scrapy.FormRequest(url=url,callback=self.parse)def url_decode(self,temp):while '\\' in temp:index=temp.find('\\')st=temp[index:index+7]temp=temp.replace(st,'')index=temp.find('id')temp=temp[:index+2]+'='+temp[index+2:]index=temp.find('ns')temp=temp[:index]+'&'+'ns='+temp[index+2:]index=temp.find('abbucket')temp='https:'+temp[:index]+'&'+'abbucket='+temp[index+8:]return tempdef parse(self, response):item=response.xpath('//script/text()').extract()pat='"raw_title":"(.*?)","pic_url".*?,"detail_url":"(.*?)","view_price":"(.*?)"'urls=re.findall(pat,str(item))urls.pop(0)row={}.fromkeys(['name','price','link'])for url in urls:#解析url并放入数组中weburl=self.url_decode(temp=url[1])item=TmailItem()item['name']=url[0]item['link']=weburlitem['price']=url[2]row['name']=item['name']row['price']=item['price']row['link']=item['link']self.db.insert(row)row={}.fromkeys(['name','price','link'])self.detail_urls.append(weburl)self.data.append(item)return itemfor item in self.detail_urls:#这个可以抓取评论等更多相关信息yield scrapy.FormRequest(url=item,callback=self.detail)def detail(self,response):print(response.url)#首先判断url来自天猫还是淘宝if 'tmall' in str(response.url):passelse:pass

items.py中定义3个属性：name，price，link

起始网页为淘宝的搜索地址，关键字我设置为“帽子”，当然修改关键字就只需要修改一下url中的q=后面的值就可以了

因为该类型商品信息量很大，有很多页所以重写start_requests(self)方法，获取前31页的内容

首先

name = 'weisuen'start_url = 'https://s.taobao.com/search?q=%E5%B8%BD%E5%AD%90&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170817&s=300'detail_urls=[]data=[]client=pymongo.MongoClient("localhost",27017)db=client.taobaodb=db.items

先在定义中打开mongodb数据库当然我最初使用txt文本和CSV文件看结果，成功后再使用数据库

def start_requests(self):for i in range(30):#爬31页数据差不多了url=self.start_url+'&s='+str(i*44)yield scrapy.FormRequest(url=url,callback=self.parse)

通过观察发现页数由url后的s=xx决定且这个值等于页数*44

def parse(self, response):item=response.xpath('//script/text()').extract()pat='"raw_title":"(.*?)","pic_url".*?,"detail_url":"(.*?)","view_price":"(.*?)"'urls=re.findall(pat,str(item))urls.pop(0)row={}.fromkeys(['name','price','link'])for url in urls:#解析url并放入数组中weburl=self.url_decode(temp=url[1])item=TmailItem()item['name']=url[0]item['link']=weburlitem['price']=url[2]row['name']=item['name']row['price']=item['price']row['link']=item['link']self.db.insert(row)row={}.fromkeys(['name','price','link'])self.detail_urls.append(weburl)self.data.append(item)return itemfor item in self.detail_urls:#这个可以抓取评论等更多相关信息yield scrapy.FormRequest(url=item,callback=self.detail)

在回调函数中对获取的网页数据进行解析，这里遇到的麻烦就是response.text会报错‘GBK xxxxx’因为淘宝网页不仅仅由UTF-8编码还有其他编码格式所以这样解码就会出现问题，我这里采取的是先使用xpath获取所有相关类容，再使用正则表达式对相关信息进行提取。其中每件商品的url都有动态类容需要去掉，这个使用了一个url_decode()方法去掉其中的动态类容。解码方法代码如下：

def url_decode(self,temp):while '\\' in temp:index=temp.find('\\')st=temp[index:index+7]temp=temp.replace(st,'')index=temp.find('id')temp=temp[:index+2]+'='+temp[index+2:]index=temp.find('ns')temp=temp[:index]+'&'+'ns='+temp[index+2:]index=temp.find('abbucket')temp='https:'+temp[:index]+'&'+'abbucket='+temp[index+8:]return temp

最后返回的url是可以直接打开的，在回调函数parse中将相关类容写入了数据库中，为了便于扩展，parse中生成了对于详情页面的请求，可以之后进行评论，评分等相关信息的抓取

数据库内容：

之前生成的CSV文件

Scrapy爬取淘宝网数据的尝试相关推荐

python爬淘宝app数据_一篇文章教会你用Python爬取淘宝评论数据（写在记事本）
[一.项目简介] 本文主要目标是采集淘宝的评价,找出客户所需要的功能.统计客户评价上面夸哪个功能多,比如防水,容量大,好看等等. [二.项目准备工作] 准备Pycharm,下载安装等,可以参考这篇文章 ...
python 爬取淘宝网课
python爬取淘宝网课,打开web控制台,发现有个链接可以下载到对应的内容,下载的格式是m3u8,用文本打开里面是许多.ts链接,当然百度后得知可以直接下个vlc然后下载,但是还是想用python试 ...
爬取淘宝手机数据，并进行清洗，并可视化展示
爬取所需环境 selnium安装 Win+R输入cmd敲回车进入到cmd窗口: 输入"pip3 install selenium -i https://pypi.tuna.tsinghua. ...
用Python爬取淘宝网商品信息
用Python爬取淘宝网商品信息转载请注明出处网购时经常会用到淘宝网点我去淘宝但淘宝网上的商品琳琅满目,于是我参照中国大学 MOOC的代码写了一个爬取淘宝网商品信息的程序代码如下: impor ...
使用Appium爬取淘宝App数据
0x01.介绍说明 1.简介 Appium是一个自动化测试开源工具.通过WebDriver协议驱动IOS.Android.Windows Phone平台上的原生应用.混合应用和web应用. 2.App ...
Python爬虫实战(5)-爬取淘宝网服装图片(Selenium+Firefox)
前言今天我们巩固一下前面学过的知识,通过Selenium+Firefox实现模拟浏览器并自动翻页,爬取图片并写入本地文件中. 以搜索"女装"为例,自动爬取"女装&quo ...
Python3爬取淘宝网商品数据！
分析淘宝网这次选择的是淘宝网热卖而不是淘宝网,二者虽然名字有不同,但是数据还是一样的,区别就在于前者把后者的所有店铺和商品的海量数据按照销售量.好评度.信誉度综合测评.重新计算.重新排序展现给买家的 ...
爬虫(2)之re 爬取淘宝网
我们通过requests可以很轻松地就获得网页上的所有内容,但是这些内容往往会夹杂着许多我们不需要的东西,因此我们需要解析和提取 HTML 数据. 在先前介绍过的解析和提取html内容的库,只能够处理 ...
python +selenium 爬取淘宝网商品信息
前几天用python爬取豆瓣关于电影<长城>的影评,发现豆瓣的网页是静态的,心中一阵窃喜.以为对于动态网页了解的不是太多.但是主要是用cookie加headers爬取的.效果还不错,爬取了 ...
【python爬虫】爬取淘宝网商品信息
相信学了python爬虫,很多人都想爬取一些数据量比较大的网站,淘宝网就是一个很好的目标,其数据量大,而且种类繁多,而且难度不是很大,很适合初级学者进行爬取.下面是整个爬取过程: 第一步:构建访问的u ...

Scrapy爬取淘宝网数据的尝试

Scrapy爬取淘宝网数据的尝试相关推荐

最新文章

热门文章