先说一下最终要达到的效果：谷歌浏览器登陆淘宝后，运行python项目，将任意任意淘宝商品的链接传入，并手动选择商品属性，输出其价格与剩余库存，然后选择购买数，自动加入购物车。

在开始爬取淘宝链接之前，咱么要先做一些准备工作，我项目中使用的是 python2.7 ，开发与运行环境都是win10，浏览器是64位chrome 59.0.3。由于淘宝的模拟登陆涉及到一些复杂的UA码算法以及滑块登陆验证，能力有限，为了图省事就使用浏览器手动登录淘宝然后python获取生成的cookie的方式来爬取登录后的数据。

要获取登录成功后的cookie，一种办法是浏览器打开开发者工具，手动复制cookie，但是这样比较麻烦，因为淘宝里面的请求很多不是同一个域，所以发送给服务器的cookie也不一样，如果换一个地址就手动复制一次也太low了，咱们为了有big一些，直接读取chrome存储在本地的cookie，然后拼出来。

网上查了一下，chrome的中的cookie以sqlite的方式存储在 %LOCALAPPDATA%GoogleChromeUser DataDefaultCookies 目录下，cookie的value也经过了CryptUnprotectData加密。知道了这些，我们就可以往下走了。

这里要用到sqlite3模块：

def get_cookie(url):"""获取该的可用cookie:param url::return:"""domain = urllib2.splithost(urllib2.splittype(url)[1])[0]domain_list = ['.' + domain, domain]if len(domain.split('.')) > 2:dot_index = domain.find('.')domain_list.append(domain[dot_index:])domain_list.append(domain[dot_index + 1:])conn = Nonecookie_str = Nonetry:conn = sqlite3.connect(r'%s\Google\Chrome\User Data\Default\Cookies' % os.getenv('LOCALAPPDATA'))cursor = conn.cursor()print '-' * 50sql = 'select host_key, name, value, encrypted_value, path from cookies where host_key in (%s)' % ','.join(['"%s"' % x for x in domain_list])row_list = cursor.execute(sql).fetchall()print u'一共找到 %d 条' % len(row_list)print '-' * 50print u'%-20s\t%-5s\t%-5s\t%s' % (u'域', u'键', u'值', u'路径')cookie_list = []for host_key, name, value, encrypted_value, path in row_list:decrypted_value = win32crypt.CryptUnprotectData(encrypted_value, None, None, None, 0)[1].decode(print_charset) or valuecookie_list.append(name + '=' + decrypted_value)print u'%-20s\t%-5s\t%-5s\t%s' % (host_key, name, decrypted_value, path)print '-' * 50cookie_str = '; '.join(cookie_list)except Exception:raise CookieException()finally:conn.close()return cookie_str, domain````
get_cookie函数的开头需要获取domain_list是因为淘宝的一些请求是跨域共享cookie的，所以要把该url所有可用的cookie提取出来。然后，我们就可以拿着这个cookie去请求登陆后的数据啦，不过在此之前最好再说一件事——设置代理，防止本机的IP被封禁。建议使用高匿代理，这样淘宝就检测不出原地址啦，代理的获取途径有很多，网上有免费的代理，虽然不是很稳定，不过咱们只是玩玩嘛，就不计较这些了，随便百度了一下，找到一个www.xicidaili.com网站，咱们就爬取这个网站的高匿代理来作为我们的代理，获取成功后访问bing来测试咱们的代理是否可用：

def set_proxy():

"""
设置代理
"""
# 获取xicidaili的高匿代理
proxy_info_list = []  # 抓取到的ip列表
for page in range(1, 2):  # 暂时只抓第一页request = urllib2.Request('http://www.xicidaili.com/nn/%d' % page)request.add_header('Accept-Encoding', 'gzip, deflate')request.add_header('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8')request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')response = urllib2.urlopen(request, timeout=5)headers = response.info()content_type = headers.get('Content-Type')if content_type:charset = re.findall(r"charset=([\w-]+);?", content_type)[0]else:charset = 'utf-8'if headers.get('Content-Encoding') == 'gzip':gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))content = gz.read().decode(charset)gz.close()else:content = response.read().decode(charset)response.close()print u'获取第 %d 页' % pageip_page = re.findall(r'<td>(\d.*?)</td>', content)proxy_info_list.extend(ip_page)time.sleep(random.choice(range(1, 3)))# 打印抓取的内容
print u'代理IP地址\t端口\t存活时间\t验证时间'
for i in range(0, len(proxy_info_list), 4):print u'%s\t%s\t%s\t%s' % (proxy_info_list[i], proxy_info_list[i + 1], proxy_info_list[i + 2], proxy_info_list[i + 3])all_proxy_list = []  # 待验证的代理列表
# proxy_list = []  # 可用的代理列表
for i in range(0, len(proxy_info_list), 4):proxy_host = proxy_info_list[i] + ':' + proxy_info_list[i + 1]all_proxy_list.append(proxy_host)# 开始验证# 单线程方式
for i in range(len(all_proxy_list)):proxy_host = test(all_proxy_list[i])if proxy_host:break
else:# TODO 进入下一页print u'没有可用的代理'return None# 多线程方式
# threads = []
# # for i in range(len(all_proxy_list)):
# for i in range(5):
#     thread = threading.Thread(target=test, args=[all_proxy_list[i]])
#     threads.append(thread)
#     time.sleep(random.uniform(0, 1))
#     thread.start()
#
# # 等待所有线程结束
# for t in threading.enumerate():
#     if t is threading.currentThread():
#         continue
#     t.join()
#
# if not proxy_list:
#     print u'没有可用的代理'
#     # TODO 进入下一页
#     sys.exit(0)
print u'使用代理： %s' % proxy_host
urllib2.install_opener(urllib2.build_opener(urllib2.ProxyHandler({'http': proxy_host})))```

本来是想使用多线程来验证代理可用性，当有一个测试通过后想关闭其他线程，结束验证请求，但是没找到解决办法，就暂时先用循环一个一个来验证了，有其他思路想法的小伙伴可以在留言区指教。

接下来，我们需要获取商品每个sku所对应的价格和库存，先说一下我的分析过程，有更好的分析方法可以留言或私信交流。打开 Chrome Web Developer Tools ，输入某个淘宝商品的地址，将工具切换到Network标签，然后在标签内容中右键 - > save as HAR with content，将当前所有请求和响应的文本内容保存到本地，用编辑器打开，然后通过关键字搜索想要的东西然后分析猜测。

经过推测，淘宝中每个商品属性有一个id保存在data-value中，

通过不同的属性值可以组合成不同的“sku_key”，然后通关页面中的skuMap来获取该sku_key对应的sku信息

这里有三步比较关键

通过正则来获取页面中的skuMap数据，然后转化为python的字典对象；
对不同的属性值进行排列组合，寻找是否有sku_key（通过itertools模块的permutations函数实现）
将中文的属性名和属性值对应起来，以便于后续通过输入属性来获取sku数据

def get_base_info(page_url):"""从页面获取基本的参数:param page_url: :return:"""page_url = page_url.strip()cookie_str = get_cookie(page_url)print u'page cookie ：', cookie_strrequest = urllib2.Request(page_url)request.add_header('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8')request.add_header('Accept-Encoding', 'gzip, deflate, br')request.add_header('Cookie', cookie_str)request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')response = urllib2.urlopen(request)headers = response.info()content_type = headers.get('Content-Type')if content_type:charset = re.findall(r"charset=([\w-]+);?", content_type)[0]else:charset = 'utf-8'if headers.get('Content-Encoding') == 'gzip':gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))content = gz.read().decode(charset)gz.close()else:content = response.read().decode(charset)with open(u'.\content.html', 'w+') as page_file:page_file.write(content.encode(print_charset))  # 写入文件待观察# 获取item_iditem_id = re.findall(r'(^|&)id=([^&]*)(&|$)', page_url[page_url.find('?'):])[0][1]# 获取sku_dictsku_map = json.loads(re.findall(r'skuMap\s*:\s*(\{.*\})\n\r?', content)[0])sku_dict = {}for k, v in sku_map.items():sku_dict[k] = {'price': v['price'],  # 非推广价'stock': v['stock'],  # 库存'sku_id': v['skuId']  # skuId}ct = re.findall(r'"ct"\s*:\s*"(\w*)",', content)[0]timestamp = int(time.time())doc = pq(content)# ========== 获取每个类别属性及其属性值的集合 start ==========prop_to_values = {}for prop in doc('.J_Prop ').items():values = []for v in prop.find('li').items():values.append({'name': v.children('a').text(),'code': v.attr('data-value')})prop_to_values[prop.find('.tb-property-type').text()] = values# ========== end ==========return {'ct': ct,'nekot': timestamp,'item_id': item_id,'prop_to_values': prop_to_values,'sku_dict': sku_dict}```
这个函数取名叫get_base_info是因为经过几个案例分析，发现页面上的价格和库存并不是淘宝最后显示的数据，真实的数据需要通过https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm来获取，这里面包括了一些库存、推广信息。获取可以出售的商品信息：

def get_sale_info(sib_url):

"""
获取可以出售的商品信息
:param sib_url:
:return:
"""
cookie_str, host = get_cookie(sib_url)
print u'sale cookie ：', cookie_strrequest = urllib2.Request(sib_url)
request.add_header('Accept', '*/*')
request.add_header('Accept-Encoding', 'gzip, deflate, br')
request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')
request.add_header('Connection', 'keep - alive')
request.add_header('Cookie', cookie_str)
request.add_header('Host', host)
request.add_header('Referer', 'https://item.taobao.com')
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')
response = urllib2.urlopen(request)headers = response.info()# 获取字符集
content_type = headers.get('Content-Type')
if content_type:charset = re.findall(r"charset=([\w-]+);?", content_type)[0]
else:charset = 'utf-8'if headers.get('Content-Encoding') == 'gzip':gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))content = gz.read().decode(charset)gz.close()
else:content = response.read().decode(charset)
json_obj = json.loads(content)
sellable_sku = json_obj['data']['dynStock']['sku']  # 可以售卖的sku
promo_sku = json_obj['data']['promotion']['promoData']  # 推广中的sku
if promo_sku:for k, v in sellable_sku.items():promos = promo_sku[k]if len(promos) > 1:print u'有多个促销价，建议手动确认'price = min([float(x['price']) for x in promos])v['price'] = price# TODO amountRestriction 限购数量
return sellable_sku```

ps：不久前才发现还有限购数量的限制，不过并不影响后续加入购物车的操作，就暂时先加入TODO，以后再更新

最后通过终端输入地址和属性获取商品信息，看看能不能成功。

def check_item():page_url = raw_input(u'请输入商品地址：'.encode(print_charset)).decode(print_charset)base_info = get_base_info(page_url)item_id = base_info['item_id']modules = ['dynStock', 'qrcode', 'viewer', 'price', 'duty', 'xmpPromotion', 'delivery', 'activity','fqg', 'zjys', 'couponActivity', 'soldQuantity', 'contract', 'tradeContract']ajax_url = 'https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId=%s&modules=%s' % (item_id, ','.join(modules))print 'request -> ', ajax_urlsku_dict = get_sale_info(ajax_url)prop_to_values = base_info['prop_to_values']base_info_sku_dict = base_info['sku_dict']info = {'ct': base_info['ct'],'nekot': base_info['nekot'],'item_id': base_info['item_id'],'prop_to_values': prop_to_values,}for k, v in sku_dict.items():v['sku_id'] = base_info_sku_dict[k].get('sku_id')if 'price' not in v.keys():v['price'] = base_info_sku_dict[k].get('price')info['sku_dict'] = sku_dictwith open(u'.\sku.json', 'w+') as sku_file:sku_file.write(json.dumps(info, ensure_ascii=False).encode('utf-8'))code_list = []item_prop = raw_input(u'请输入商品类别名称（如：颜色分类，直接回车结束输入）：'.encode(print_charset)).decode(print_charset)while item_prop:if item_prop in prop_to_values.keys():prop_values = prop_to_values[item_prop]sku_value = raw_input(u'请输入商品属性（如：可爱粉）：'.encode(print_charset)).decode(print_charset)for v in prop_values:if v.get('name') == sku_value:code_list.append(v.get('code'))breakelse:print u'没有该属性'else:print u'没有该类别'item_prop = raw_input(u'请输入商品类别名称（如：颜色分类，直接回车结束输入）：'.encode(print_charset)).decode(print_charset)sku_id = Noneprice = Nonestock = Nonefor x in list(permutations(code_list, len(code_list))):if ';' + ';'.join(map(str, x)) + ';' in sku_dict.keys():item_prop = ';' + ';'.join(map(str, x)) + ';'sku_id = sku_dict[item_prop]['sku_id']price = sku_dict[item_prop]['price']stock = sku_dict[item_prop]['stock']print u'%s\t%s' % (u'sku_key为：', item_prop)print u'%s\t%s' % (u'sku_id为：', sku_id)print u'%s\t%s' % (u'单价为：', price)print u'%s\t%s' % (u'库存为：', stock)breakelse:print u'没有该款式。'

如果以上输出没毛病，就可以正式进入下一步了，加入购物车，试着自己在浏览器上加入购物车，然后观察请求，发现请求是通过cart.taobao.com/add_cart_item.htm这个地址发送的，分析了一下关键的发送参数：

item_id —— 商品ID（页面的g_config中）
outer_id —— skuId（skuMap中）
outer_id_type —— outer_id类型，2表示outer_id传递的是skuid
quantity —— 需要加入购物车的数量
opp —— 单价
tb_token —— 可以从cookie中获取
ct —— （g_config.vdata.viewer中）
deliveryCityCode —— 发货城市 （sib.htm中，暂时取默认或者不填）
nekot —— 当前时间戳

既然需要的东西都找到了，那就好办了：

def add_item_to_cart(item_id, sku_id, price, ct, nekot, tb_token, stock):"""添加商品到购物车:param item_id: :param sku_id: :param price: :param ct: :param nekot: :param tb_token: :param stock: :return: """add_cart_url = 'https://cart.taobao.com/add_cart_item.htm?'cookie_str, host = get_cookie(add_cart_url)print u'cookie串：', cookie_strquantity = raw_input(u'请输入需要加到购物车的数量：'.encode(print_charset))if quantity.isdigit():quantity = int(quantity)if quantity > stock:print u'超过最大库存', stockelse:print u'非法输入'params = {'item_id': item_id,'outer_id': sku_id,'outer_id_type': '2','quantity': quantity,'opp': price,'nekot': nekot,'ct': ct,'_tb_token_': tb_token,'deliveryCityCode': '','frm': '','buyer_from': '','item_url_refer': '','root_refer': '','flushingPictureServiceId': '','spm': '','ybhpss': ''}request = urllib2.Request(add_cart_url + urllib.urlencode(params))request.add_header('Accept', '*/*')request.add_header('Accept-Encoding', 'gzip, deflate, br')request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')request.add_header('Connection', 'keep - alive')request.add_header('Cookie', cookie_str)request.add_header('Host', host)request.add_header('Referer', 'https://item.taobao.com/item.htm')request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')response = urllib2.urlopen(request)headers = response.info()content_type = headers.get('Content-Type')if content_type:charset = re.findall(r"charset=([\w-]+);?", content_type)[0]else:charset = 'utf-8'http_code = response.getcode()if http_code == 200:print u'添加到购物车成功'

这里需要注意http_code=200时不一定是加入成功，如果没有登录也会返回200，后续研究后会完善。