Amazon关键词抓取
2024-06-01 17:31:59
亚马逊的网址构造很简单，几乎算是静态的网页，花费3小时完美收工，不要在意细节！
在python3下利用xpath就可以完美解决
xpath的使用方法请见：
python之lxml(xpath)
入口图界面为：
抓取操作为：
抓取的效果图如下：
图片：
excel：
1 '''
2 .======.
3 | INRI |
4 | |
5 | |
6 .========' '========.
7 | _ xxxx _ |
8 | /_;-.__ / _\ _.-;_\ |
9 | `-._`'`_/'`.-' |
10 '========.`\ /`========'
11 | | / |
12 |/-.( |
13 |\_._\ |
14 | \ \`;|
15 | > |/|
16 | / // |
17 | |// |
18 | \(\ |
19 | `` |
20 | |
21 | |
22 | |
23 | |
24 .======.
25 ……………………………………………………………………………………
26
27 ！！！！！
28 \\ - - //
29 (-● ●-)
30 \ (_) /
31 \ u /
32 ┏oOOo-━━━━━━━━┓
33 ┃ ┃
34 ┃ 耶稣保佑！ ┃
35 ┃ 永无BUG！！！┃
36 ┃ ┃
37 ┗━━━━━━━━-oOOo┛
38
39 ……………………………………………………………………………………
40
41 _oo0oo_
42 088888880
43 88" . "88
44 (| -_- |)
45 0\ = /0
46 ___/'---'\___
47 .' \\\\| |// '.
48 / \\\\||| : |||// \\
49 /_ ||||| -:- |||||- \\
50 | | \\\\\\ - /// | |
51 | \_| ''\---/'' |_/ |
52 \ .-\__ '-' __/-. /
53 ___'. .' /--.--\ '. .'___
54 ."" '< '.___\_<|>_/___.' >' "".
55 | | : '- \'.;'\ _ /';.'/ - ' : | |
56 \ \ '_. \_ __\ /__ _/ .-' / /
57 ====='-.____'.___ \_____/___.-'____.-'=====
58 '=---='
59
60
61 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
62 佛祖保佑 永无BUG
63
64
65
66
67 ┌─┐ ┌─┐
68 ┌──┘ ┴───────┘ ┴──┐
69 │ │
70 │ ─── │
71 │ ─┬┘ └┬─ │
72 │ │
73 │ ─┴─ │
74 │ │
75 └───┐ ┌───┘
76 │ │
77 │ │
78 │ │
79 │ └──────────────┐
80 │ │
81 │ ├─┐
82 │ ┌─┘
83 │ │
84 └─┐ ┐ ┌───────┬──┐ ┌──┘
85 │ ─┤ ─┤ │ ─┤ ─┤
86 └──┴──┘ └──┴──┘
87 神兽保佑
88 代码无BUG!
89 '''
90 # !/usr/bin/python3.4
91 # -*- coding: utf-8 -*-
92
93 # 前排烧香
94 # 永无BUG
95
96 import requests
97 import time
98 import random
99 import xlsxwriter
100 from lxml import etree
101 import urllib.parse
102 import urllib.request
103
104 def geturl(url):
105 # 制作头部
106 header = {
107 'User-Agent': 'Mozilla/5.0 (iPad; U; CPU OS 4_3_4 like Mac OS X; ja-jp) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8K2 Safari/6533.18.5',
108 'Referer': 'https://www.amazon.cn/',
109 'Host': 'www.amazon.cn',
110 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
111 'Accept-Encoding': 'gzip, deflate, br',
112 'Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
113 'Connection': 'keep-alive'
114 }
115 # get参数
116 res = requests.get(url=url, headers=header)
117 # ('UTF-8')('unicode_escape')('gbk','ignore')
118 resdata = res.content
119 return resdata
120
121 def getimg(url):
122 # 制作头部
123 header = {
124 'User-Agent': 'Mozilla/5.0 (iPad; U; CPU OS 4_3_4 like Mac OS X; ja-jp) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8K2 Safari/6533.18.5',
125 'Referer': 'https://www.amazon.cn/',
126 'Host': 'www.amazon.cn',
127 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
128 'Accept-Encoding': 'gzip, deflate, br',
129 'Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
130 'Connection': 'keep-alive'
131 }
132 # get参数
133 res = requests.get(url=url, headers=header,stream=True)
134 # ('UTF-8')('unicode_escape')('gbk','ignore')
135 resdata = res.iter_content(chunk_size=1024)
136 for chunk in resdata:
137 if chunk:
138 return chunk
139
140 def begin():
141 taoyanbai = '''
142 -----------------------------------------
143 | 欢迎使用亚马逊爬取系统 |
144 | 时间：2016年9月20日 |
145 | 出品：TTyb |
146 | 微信/QQ：420439007 |
147 -----------------------------------------
148 '''
149 print(taoyanbai)
150
151
152 def timetochina(longtime, formats='{}天{}小时{}分钟{}秒'):
153 day = 0
154 hour = 0
155 minutue = 0
156 second = 0
157 try:
158 if longtime > 60:
159 second = longtime % 60
160 minutue = longtime // 60
161 else:
162 second = longtime
163 if minutue > 60:
164 hour = minutue // 60
165 minutue = minutue % 60
166 if hour > 24:
167 day = hour // 24
168 hour = hour % 24
169 return formats.format(day, hour, minutue, second)
170 except:
171 raise Exception('时间非法')
172
173
174 if __name__ == '__main__':
175
176 begin()
177
178 keyword = input("请输入关键词：")
179 try:
180 sort = int(input("相关度排序请按0，人气排序请按1，上架时间排序请按2，价格低到高排序请按3，价格高到低请按4，用户评分排序请按5（默认相关度排序）："))
181 if sort > 5 or sort <= 0:
182 sort = ""
183 elif sort == 1:
184 sort = "popularity-rank"
185 elif sort == 2:
186 sort = "date-desc-rank"
187 elif sort == 3:
188 sort = "price-asc-rank"
189 elif sort == 4:
190 sort = "price-desc-rank"
191 elif sort == 5:
192 sort = "review-rank"
193 except:
194 sort = ""
195 try:
196 pages = int(input("请输入抓取页数（默认5页）："))
197 except:
198 pages = 5
199
200 a = time.clock()
201
202 # 转成字符串
203 # %y 两位数的年份表示（00 - 99）
204 # %Y 四位数的年份表示（000 - 9999）
205 # %m 月份（01 - 12）
206 # %d 月内中的一天（0 - 31）
207 # %H 24小时制小时数（0 - 23）
208 # %I 12小时制小时数（01 - 12）
209 # %M 分钟数（00 = 59）
210 # %S 秒（00 - 59）
211 today = time.strftime('%Y%m%d%H%M', time.localtime())
212 # 创建一个Excel文件
213 workbook = xlsxwriter.Workbook('../excel/' + today + '.xlsx')
214 # 创建一个工作表
215 worksheet = workbook.add_worksheet()
216
217 # 第一行参数
218 first = ['商品名称', '品牌', '详情页网址', '原价格', '星级', '图片','图片网址']
219
220 # 写入excel计数行
221 count = 1
222
223 # 下载图片计数
224 num = 0
225
226 # 构造时间戳
227 nowtime = int(time.time())
228
229 for page in range(0,pages):
230
231 urldata = {
232 'page':page,
233 'sort':sort,
234 'keywords':keyword,
235 'ie':'UTF-8',
236 'qid':str(nowtime)
237 }
238 urldata = urllib.parse.urlencode(urldata)
239 url = "https://www.amazon.cn/s/ref=nb_sb_noss_1?__mk_zh_CN=亚马逊网站&" + urldata
240
241 html = geturl(url).decode('Utf-8', 'ignore')
242 #file = open("../data/html.txt","wb")
243 #file.write(html)
244 #file.close()
245
246 #file = open("../data/html.txt","rb")
247 #html = file.read().decode('Utf-8', 'ignore')
248 #print(html)
249
250 # xpath解析需要的东西
251 contents = etree.HTML(html)
252
253 # 找到商品名称
254 titles = contents.xpath('//a[@class="a-link-normal s-access-detail-page a-text-normal"]/@title')
255 arr_title = []
256 for title in titles:
257 arr_title.append(title)
258
259 # 找到品牌
260 brands = contents.xpath('//div[@class="a-row a-spacing-mini"][1]/div/span/text()')
261 arr_brand = []
262 for brand in brands:
263 if "更多购买选择" in brand:
264 pass
265 else:
266 arr_brand.append(brand)
267
268 # 找到详情页网址
269 detailurls = contents.xpath('//a[@class="a-link-normal s-access-detail-page a-text-normal"]/@href')
270 arr_detailurl = []
271 for detailurl in detailurls:
272 arr_detailurl.append(urllib.parse.unquote(detailurl))
273 #print(detailurl)
274 #print(len(arr_detailurl))
275
276 # 得到原价格
277 # 这里是忽略了新品价格、非新品价格
278 prices = contents.xpath('//div[@class="a-row a-spacing-none"][1]/a/span[1]/text()')
279 arr_price = []
280 for price in prices:
281 arr_price.append(price)
282
283 # 得到星级
284 grades = contents.xpath('//span[@class="a-icon-alt"]/text()')
285 arr_grade = []
286 for grade in grades:
287 if "平均" in grade:
288 arr_grade.append(grade)
289 #print(grade)
290 else:
291 pass
292 if arr_grade:
293 arr_grade.pop()
294 #print(len(arr_grades))
295
296 # 得到图片
297 imgurls = contents.xpath('//a[@class="a-link-normal a-text-normal"]/img/@src')
298 arr_img = []
299
300 for imgurl in imgurls:
301 file = open("../jpg/" + str(num) + ".jpg","wb")
302 pic = urllib.request.urlopen(imgurl)
303 file.write(pic.read())
304 file.close()
305 # 每一次下载都暂停1-3秒
306 imgtime = random.randint(1, 3)
307 print("下载图片暂停" + str(imgtime) + "秒")
308 time.sleep(imgtime)
309 arr_img.append(imgurl)
310 num = num + 1
311 #print(imgurl)
312 #print(len(arr_img))
313
314 # 写入excel
315 # 写入第一行
316 for i in range(0, len(first)):
317 worksheet.write(0, i, first[i])
318
319 # 写入其他数据
320 for j in range(0,len(arr_title)):
321 worksheet.write(count,0,arr_title[j])
322 worksheet.write(count, 1, arr_brand[j])
323 worksheet.write(count, 2, arr_detailurl[j])
324 try:
325 worksheet.write(count, 3, arr_price[j])
326 except Exception as err:
327 print(err)
328 worksheet.write(count, 3, "")
329 worksheet.write(count, 4, arr_grade[j])
330 worksheet.insert_image(count, 5, "../jpg/" + str(count - 1) + ".jpg")
331 worksheet.write(count, 6, arr_img[j])
332 count = count + 1
333
334 # 每一次下载都暂停5-10秒
335 loadtime = random.randint(5, 10)
336 print("抓取网页暂停" + str(loadtime) + "秒")
337 time.sleep(loadtime)
338
339 workbook.close()
340 b = time.clock()
341 print('运行时间：' + timetochina(b - a))
342 input('请关闭窗口')转载于:https://www.cnblogs.com/TTyb/p/5890340.html
Amazon关键词抓取相关推荐
- 通过Python爬虫按关键词抓取相关的新闻
前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途 如今各大网站的反爬机制已经可以说是到了丧心病狂的程度,比如大众点评的字符加密.微博的登录验证等.相比较而言,新闻网站的反爬机制 ...
- python爬虫关键词抓手机号_通过Python爬虫按关键词抓取相关的新闻
前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 如今各大网站的反爬机制已经可以说是到了丧心病狂的程度,比如大众点评的字符加 ...
- 根据关键词抓取淘宝信息
根据关键词抓取淘宝信息 1,selenium MongoDB PhantomJS .etc 2,一共定义了四个函数: 各自功能如下: search_keyword:搜索关键字并返回总页数 get_in ...
- 百度关键词抓取工具_VBA利用XMLHTTP抓取百度查询关键词结果的个数
大家好,我们今日讲解"利用XMLHTTP抓取百度查询关键词结果的个数",这节内容是"VBA信息获取与处理"教程中第六个专题"VBA中利用XMLHTTP ...
- 百度关键词抓取工具_百度网站关键词最蜘蛛快排 - 关于网站网站死链
原出处:最蜘蛛快排 原文链接:http://seo.zuizhizhu.com 百度网站关键词最蜘蛛快排 seo.zuizhizhu.com 网站关键词快速排名优化,支持百度快速排名,搜狗快速排名,3 ...
- XZ_Python之使用关键词抓取京东搜索页面数据
爬虫的基本步骤:访问网络.访问特定的网站.抓取所需要的页面或者json文件,抓取到本地,按照需求进行格式化,然后写入数据库,以备以后分析. 爬虫的第一步是分析 首先在京东的页面,搜索任意想买的东西,我 ...
- 百度关键词抓取工具_阿里巴巴国际站运营关键词抓取工具
没时间更新,分享我常用的收集竞争对手关键词的工具.大家可以直接用在TOP10的店铺上,这样你就知道人家的关键词是如何布局和设置的.截图: 就挂着让它自己慢慢生成就可以了,简单粗暴. 生成表格后如何整理 ...
- adb logcat 过滤关键词 抓取日志
1.将手机与电脑链接.链接后在终端输入adb devices查看连接状态. 2.输入过滤关键词 adb shell logcat | grep "关键词" 3.手机日志查看 adb ...
- 爬虫实践-微博关键词搜索抓取
关键词: 1.终于离婚了 2.提离职 3.相亲对象 4.给我的教训 ----- 下载地址: 微博关键词抓取 终于离婚了 微博关键词抓取 提离职 微博关键词抓取 相亲对象 微博关键词抓取 给我的教训 转 ...
最新文章
- Ampere 携手 Rigetti 开发混合量子经典计算机
- scrapy-redis 分布式学习记录
- httpclient 不支持国密ssl_关于国密HTTPS 的那些事（三）
- linux 双网卡 双交换机,linux双网卡bond及交换机配置
- 开发实例_5G时代导热石墨散热片的开发和应用实例
- @程序员，Web 开源神器了解一下？ | 程序员硬核评测
- 技术篇-HBase Coprocessor 的实现与应用
- 发点牢骚,关于微软,关于WPF/E
- 用EasyPoi导入Excel
- CCS软件的C语言取模注意点
- U盘文件被隐藏是怎么回事？怎样恢复被隐藏文件？
- SQL语句简单增删改查
- 2008新版眼保健操图解
- 矩阵取数游戏【题解】
- Outlook邮箱设置签名
- 写论文同义替换的软件.v.1.2.3
- 应用程序清单 Manifest 中各种 UAC 权限级别的含义和效果
- python 加速度_MicroPython动手做（20）——掌控板之三轴加速度
- ubuntu 网速测试方法
- 基于PSO优化VIC算法的WORM蠕虫检测matlab仿真