Python爬虫自学之第（⑤）篇——爬取某宝商品信息

题外话：

《Pi Network 免费挖矿国外热门项目一个π币大约值3元到10元》相信过去BTC的人，信不信未来的PI，了解一下，唯一一个高度与之持平的项目

能看到这里说明快进入动态网页爬取了，在这之前还有一两个知识点要了解，就如本文要讲的json及其数据提取

JSON

是什么

json是轻量级的文本数据交换格式，符合json的格式的字符串叫json字符串，其格式就像python中字符串化后的字典，有时字典中还杂着列表字典，但是里面的数据都被双引号包着，下面是一个例子

'{"Africa": [
{ "name":"蜜獾" , "nickname":"平头哥" },
{ "name":"虫子" , "nickname":"小辣条" },
{ "name":"毒蛇" , "nickname":"大面筋" }]}'#这是理想化的数据，实际上看到的json是不分行堆在一起，而且更多时候用unicode编码取代中文

而且为了能更好的传输各种语言，json对非英语的字符串进行了Unicode编码，于是我们直接看到的json数据通常都是带着\uxxxx的字符串而不会带着中文，json数据还会堆在一起不换行，给我们的分析带来了困难，不过我们有json 模块让它转回中文，更有一个牛逼工具把它转回中文同时排版，分析json数据时多用这个工具。

在哪

有时F12源码中能看到完整的信息，request回来后就残缺到没有价值，这就说明网页使用了动态或者ajax技术，而这些技术所加载的信息，就有json的身影。为了顺利爬取目标，我们需要找到json数据。

json数据有时会直接出在对原链接request的结果中，作为信息等待被加载到网页中
有时会存在于独立的链接里，需要捉包获取链接再打开获得（而且这种链接的构造很重要）

json 模块

JSON是JavaScript原生格式，亲生无误，所以在JavaScript中处理JSON数据不需要任何特殊的API或工具包。像python这样连的远亲，当然不能直接一把捉走别人的孩子，至少要带根棒棒糖来引诱一下呀，而这根棒棒糖就是json模块，python自带。

json 模块提供了一种很简单的方式来编码和解码JSON数据，实现了JSON数据(字符串)和python对象(字典)的相互转换。
主要两个方法及常用参数：

json.dumps(obj,ensure_ascii=True): 将一个字典（obj）转换为JSON编码的字符串，ensure_ascii默认为True，全部是ascii字符，中文会以unicode编码形式显示如\u597d；设置为False时保持中文
json.loads(s,encoding=): 将一个JSON编码的字符串（s）转换回字典,如果传入的json字符串的编码不是UTF-8的话，需要用encoding指定字符编码

如果你要处理的是文件而不是字符串/字典，你可以使用 json.dump() 和 json.load() 来编码和解码JSON数据。

# 编码成json数据写入，data是字典
with open('data.json', 'w') as f:json.dump(data, f)# 读取json数据并解码，data是字典
with open('data.json', 'r') as f:data = json.load(f)

另：requests对象的json()方法也可以把json数据转为字典，dict = r.json(encoding=)

实战：简单爬取淘宝商品信息

爬虫领域内json的知识知道这些就行，那么马上来个实战了解一下怎样提取json中的数据，加深对json的认识吧，正好可以拿某宝来试手，商品的json数据直接出在对原链接request的结果中，不用捉包。（然而大多数json数据不会这样出现，这里选择某宝方便展示）

构造链接（重要）

重要，但这也是要培养的能力，在这里只详细讲一次思路，以后靠自己分析

构造链接的原则是尽可能多的相关参数，尽可能少的无关参数，网址中?之后用&连起来的赋值关系就是那些参数，这些参数会传到服务器中，服务器根据它们来返回数据。爬虫中，页数，排序，日期等这类的参数是关键。我们要动态的修改这些参数来构造链接，观察能力很重要。还有构造链接时要多requests下来测试哪些是相关参数，哪些参数是无关紧要的，不是只看浏览器就行的

先进入官网搜索一件商品，这里以GTX2080为例，第一次出现的链接如下，

淘宝首页搜索框刚输入完的时候，链接变化
https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5-e&commend=all&imgfile=&q=gtx2080ti&suggest=history_2&_input_charset=utf-8&wq=&suggest_query=&source=suggest

很长是吧，能大约的看到日期，商品名之类的参数，但是大部分参数都看不懂，我们假设部分参数是不影响爬取结果的，于是我们来继续按下看看有什么变化，当再次按下搜索键

链接变短了,在按多几下都是这个链接了

按“搜索”后的链接变短了
`#初步结构` https://s.taobao.com/search?q=gtx2080ti&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200205&ie=utf8

为了确保泛用性，我们要多换几个商品再搜索，确定一下，发现链接除q参数（商品名）改变外，其他一模一样，由此我们初步确定了链接结构，q参数是商品名，initiative_id是当天日期，其他不用变
但我们的还要有翻页和排序的功能没实现，链接里也看不到和它们有关的参数，因此我们要继续按来引相关参数出来，点击排序那排按钮

发现又多了一个sort参数，不同的排序方式对应不同的值，有default（默认综合排序），sale-desc（按销量），renqi-desc（按人气）等

按下一页，又多了bcoffset，p4ppushleft，s三个参数，经测试只有s参数有用，其他两个都不影响爬取结果（直接去掉），s是页数相关参数，值是44的倍数（因为每页加载44件商品），第一页0，第二页44，第三页88……

到此就捕捉到q，initiative_id，sort，s等参数了，如果想增加其它相关参数，就自己到处按捣鼓吧，下面就这4个参数进行构造，可以format格式化，也可以将参数通过requests.get()的params参数传入，下面选择格式化

我们将URL的参数格式化一下
#使用格式化输出，传四个字符串变量进去 url = 'https://s.taobao.com/search?q={name}&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id={date}&ie=utf8&s={num}&sort={sort}'.format(name=,date=,num=,sort=)

剩下的就是整合到循环进行多页爬取了，代码最后贴上，下面在看看json数据怎样提取。

json数据分析&提取

先拿一个链接requests下来保存到txt看看先，打开后看到一大堆又字典又列表的东西，仔细一看这货是符合json格式的字符串，里面有我们要的信息。二话不说马上扔到那个工具里排版一下，排完后如图

我们知道json数据本质是字符串，也可以用json.load()转化为字典，这样的话就有两种提取信息的方法

直接用正则对字符串匹配，缺点是当json存在\uxxxx的unicode编码时你会得到\uxxxx而不是中文，然而还是有办法绕过编码问题——可以通过str(json.load())得到字典（已解码回中文）后再强转为字符串再匹配，但是要注意单引号问题
转为字典后逐层索引下去，缺点是当结构过于复杂时，索引也比较麻烦。

最终代码（替换版，使用了selenium模块）

安装selenium模块 pip install selenium
需要下载chromedriver，并且一定要适应自己的谷歌浏览器版本（版本查看，不懂的留言！！！）
这里提供一份对应版本的谷歌浏览器安装包（版本号：79.0.3945.130——正式稳定版本32 位的）和对应的chromedriver，点击以下链接获取https://download.csdn.net/download/u011280778/12137818（刚上传待审核，如果链接错误，麻烦给我留言）

不要看完就算了，记得多实践，撸起袖子就是干

import time
from selenium import webdriver
from lxml import htmletree = html.etree# 爬取函数
def start_search_result(keys):# 创建浏览器对象browner = webdriver.Chrome()browner.get('https://www.taobao.com/')# 给搜索框赋值kw = browner.find_element_by_id("q")  # qkw.send_keys(keys)# 模拟点击搜索按钮事件iconfont = browner.find_element_by_class_name('search-button')iconfont.click()# 滑动至浏览器下端browner.execute_script("window.scrollTo(0, document.body.scrollHeight);")time.sleep(5)# 获取网页源码html = browner.page_source# 获取HTML数据html_etree = etree.HTML(html)return html_etree#解析爬取结果函数
def analysis_html(html_etree):print("================================================================")# 获取商品列表goods_list = html_etree.xpath('//div[@class="items"]/div')# 存储字典的列表goods_map_list = []for k_value in goods_list:# 获取图片地址pic_src = "https:" + k_value.xpath('./div[@class="pic-box J_MouseEneterLeave J_PicBox"]/div[@class="pic-box-inner"]/div[@class="pic"]/a/img/@src',stream=True)[0]# 获取价格price = "¥" + k_value.xpath('./div[2]/div[1]/div[@class="price g_price g_price-highlight"]/strong/text()',stream=True)[0]# 获取标题title_list = k_value.xpath('./div[2]/div[2]/a/text()', stream=True)title = "".join(title_list).strip().replace("\n", "")# 获取店铺名shop_elem = k_value.xpath('./div[2]/div[3]/div[@class="shop"]/a/text()', stream=True)shop_name = "".join(shop_elem).replace("\n", "").strip()if (len(shop_name) == 0):shop_elem = k_value.xpath('./div[2]/div[3]/div[@class="shop"]/a/span[2]/text()', stream=True)shop_name = "".join(shop_elem).replace("\n", "").strip()infor_map = {}infor_map['pic'] = pic_srcinfor_map['price'] = priceinfor_map['title'] = titleinfor_map['shop'] = shop_namegoods_map_list.append(infor_map)return goods_map_list# 主函数
def main():search_key = input('输入商品名:\n')print("search_key = ", search_key)# 先获取爬取的HTML文本html_etree = start_search_result(search_key)# 解析HTML，将商品列表存到list里面goods_list = analysis_html(html_etree)for item in goods_list:print("标题：" + item["title"])print("价格：" + item["price"])print("图片：" + item["pic"])print("店铺：" + item["shop"])print('-' * 100)main()

效果截图：