1.背景

前几天接了一个爬虫的单子，上周六已经完成这个单子，也收到了酬劳（数目还不错，哈哈哈，小喜了一下）。这个项目大概我用了两天写完了（空闲时间写的）。

2.介绍

大概要采集的数据步骤：1)输入商品名称；2）搜索供应商；3）爬取所有供应商的里所有商品数据和对应商品的交易数据；

alibaba国际淘宝链接：

https://www.alibaba.com/

1.这个爬虫项目是对alibaba国际淘宝网站采集数据。

2.通过输入商品，比如：蓝牙耳机

tws+bluetooth+earphone

链接

https://www.alibaba.com/trade/search?fsb=y&IndexArea=company_en&CatId=&SearchText=tws%2Bbluetooth%2Bearphone&viewtype=&tab=

3.其中某一个商家的所有商品

链接

https://bhdchina.en.alibaba.com/productlist.html?spm=a2700.shop_cp.88.30

‍

4.对应的交易数据记录

链接

https://bhdchina.en.alibaba.com/company_profile/transaction_history.html?spm=a2700.shop_cp.13934.2.2c8f3fa0rt2lHo

3.爬取商家信息

为什么要先爬取商家信息，因为商品数据和交易数据都是需要根据商家名称去爬取，所有先开始爬取商家信息。

导入库包

import requests
import json
from lxml import etree
import datetime
import xlwt
import os
import time

requests请求头

headers = {
     'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:64.0) Gecko/20100101 Firefox/64.0'
}

先看看要采集哪些字段

红框中的这些数据都是需要的（years，product_img，product_title，supperherf，Main Products，Country_Region，Total_Revenue，Top3_Markets，Transactions_6months，Response_Rate......）

其中supperherf是从url链接里面提取出的商家名称，后面爬取商品数据和交易数据需要用到

解析网页标签

比如名称对应的网页标签div是title ellipsis，在代码里面通过xpath可以解析到内容（这里都比较简单所以就介绍原理，小白不懂的可以看之前的文章去进行学习）

请求url数据

url = "https://www.alibaba.com/trade/search?spm=a2700.supplier-normal.16.1.7b4779adaAmpGa&page="+str(page)+"&f1=y&n=38&viewType=L&keyword="+keyword+"&indexArea=company_en"
r = requests.get(url, headers=headers)
r.encoding = 'utf-8'
s = r.text

解析字段内容

items = selector.xpath('//*[@class="f-icon m-item  "]')
if(len(items)>1):
    for item in items:
        try:
            years = item.xpath('.//*[@class="s-gold-supplier-year-icon"]/text()')
            print("years=" + str(years[0])+"YRS")




            for i in item.xpath('.//*[@class="product"]'):
                 product_img = i.xpath('.//*[@class="img-thumb"]/@data-big')[0]
                 product_title = i.xpath('.//a/@title')[0]
                 product_img = str(product_img)
                 index1 = product_img.index("imgUrl:'")
                 index2 = product_img.index("title:")
                 product_img = "https:"+product_img[index1 + 8:index2 - 2]
                 print("product_img="+str(product_img))
                 print("product_title=" + str(product_title))


            title = item.xpath('.//*[@class="title ellipsis"]/a/text()')
            print("title="+str(title[0]))
            supperherf = item.xpath('.//*[@class="title ellipsis"]/a/@href')[0]
            index1 = supperherf.index("://")
            index2 = supperherf.index("en.alibaba")
            supperherf = supperherf[index1 + 3:index2 - 1]
            print("supperherf=" + str(supperherf))
            Main_Products = item.xpath('.//*[@class="value ellipsis ph"]/@title')
            Main_Products = "、".join(Main_Products)
            print("Main Products=" + str(Main_Products))
            CTT = item.xpath('.//*[@class="ellipsis search"]/text()')
            Country_Region=CTT[0]
            Total_Revenue=CTT[1]
            Top3_Markets = CTT[2:]
            Top3_Markets = "、".join(Top3_Markets)
            print("Country_Region=" + str(Country_Region))
            print("Total_Revenue=" + str(Total_Revenue))
            print("Top3_Markets=" + str(Top3_Markets))
            Transactions_6months= item.xpath('.//*[@class="lab"]/b/text()')
            print("Transactions_6months=" + str(Transactions_6months))
            num = item.xpath('.//*[@class="num"]/text()')[0]
            print("num=" + str(num))
            Response_Rate = item.xpath('.//*[@class="record util-clearfix"]/li[2]/div[2]/a/text()')[0]
            print("Response_Rate=" + str(Response_Rate))
            count =count+1
            print("count="+str(count))
            print("page=" + str(page))
            print("------------------")

解析结果

到这里就采集完商家数据了，下面开始爬取商家商品数据

4.采集商品数据

这里商品数据的内容就少了很多（商品图片imgurl，名称title，价格piece，最低价格minorder）。

解析网页标签

请求网页数据

url = "https://" + str(compayname) + ".en.alibaba.com/productlist-" + str(
            page) + ".html?spm=a2700.shop_pl.41413.41.140b44809b9ZBY&filterSimilar=true&filter=null&sortType=null"
r = requests.get(url, headers=headers)
r.encoding = 'utf-8'
s = r.text

解析标签内容

items = selector.xpath('//*[@class="icbu-product-card vertical large product-item"]')
if(len(items)>1):
        try:
            for item in items:
                imgurl = item.xpath(
                    './/*[@class="next-row next-row-no-padding next-row-justify-center next-row-align-center img-box"]/img/@src')
                title = item.xpath('.//*[@class="product-info"]/div/a/span/text()')
                piece = item.xpath('.//*[@class="product-info"]/div[@class="price"]/span/text()')
                minorder = item.xpath('.//*[@class="product-info"]/div[@class="moq"]/span/text()')
                print("imgurl=" + str("".join(imgurl)))
                print("title=" + str(title[0]))
                print("piece=" + str("".join(piece)))
                print("minorder=" + str(minorder[0]))
                print("count="+str(count))
                print("-----------------------------------")
                count =count+1

爬取结果

5.爬取交易数据

交易数据需要采集的内容字段也很少，只有三个（交易金额Transaction_Value，买家所属国家Shipping_Destination，交易时间Transaction_Date）

说明

1）这里金额是***.**，客户要求是小数点后面的去掉，前面有三位就定义为100~999，如果2位就是10~99

Transaction_Value = Transaction_Value.split(".")[0]
t_len = len(Transaction_Value)
t_start ='1'
t_end='9'
for j in range(1,t_len): # 10  -99
    t_start =t_start+"0"
    t_end = t_end +'9'

2）时间是12/26/2020，但是采集下来的是1607068800，需要转为2020-12-27 16:00:00

def todate(timeStamp):
    #timeStamp = 1607068800
    dateArray = datetime.datetime.fromtimestamp(timeStamp)
    otherStyleTime = dateArray.strftime("%Y-%m-%d %H:%M:%S")
    return otherStyleTime

解析网页标签

请求网页数据

url="https://"+str(comapyname)+".en.alibaba.com/core/CommonSupplierTransactionHistoryWidget/list.action?dmtrack_pageid=705d8dfe0b14ebf35fe2e8411768e5b42b8bf0e7a7&page="+str(page)+"&size=8&aliMemberEncryptId=IDX1XQIkua5DjeLlKZC11XM1vlbptpTQfKxDA__pNkStGmQpqTMbPXOgDkVD6T7jySw3&_=1608706140145"
r = requests.get(url)
r.encoding='gbk'
s = json.loads(r.text)
items = s['data']['tradeList']['value']['resultList']

解析内容

if(len(items)>1):
for i in items:
    Transaction_Value = i['amt']
    Transaction_Value = str(Transaction_Value)
    Transaction_Value = Transaction_Value.split(".")[0]
    t_len = len(Transaction_Value)
    t_start ='1'
    t_end='9'
    for j in range(1,t_len): # 10  -99
        t_start =t_start+"0"
        t_end = t_end +'9'


    print("Transaction_Value=" + str(Transaction_Value))
    print("t_start="+t_start)
    print("t_end="+(t_end))
    Shipping_Destination = i['countryFullName']
    print("Shipping_Destination="+str(Shipping_Destination))
    Transaction_Date = i['tradeDate']
    Transaction_Date = int(str(Transaction_Date)[:-3])
    Transaction_Date = todate(Transaction_Date)
    print("Transaction_Date="+str(Transaction_Date))

爬取结果

到这里数据采集的工作已经基本完成了。

6.保存到csv

采集到数据后，需要保存带csv里

引入csv库

import xlwt

python写入csv

# 创建一个workbook 设置编码
workbook = xlwt.Workbook(encoding = 'utf-8')
worksheet = workbook.add_sheet('sheet1')
worksheet.write(0, 0, label="李运辰")
workbook.save("lyc/lyc_"+str("李运辰") + '.xls')

不懂python写入csv的，可以参考这篇文章

一篇文章带你使用 Python搞定对 Excel 表的读写和处理（xlsx文件的处理）

商家数据保存到csv

excel表格标题

# 创建一个worksheet
worksheet = workbook.add_sheet('sheet1')
# 参数对应 行, 列, 值
worksheet.write(0, 0, label='years')
worksheet.write(0, 1, label='product_imgs')
worksheet.write(0, 2, label='product_titles')
worksheet.write(0, 3, label='title')
worksheet.write(0, 4, label='supperherf')
worksheet.write(0, 5, label='Main Products')
worksheet.write(0, 6, label='Country_Region')
worksheet.write(0, 7, label='Total_Revenue')
worksheet.write(0, 8, label='Top3_Markets')
worksheet.write(0, 9, label='Transactions_6months')
worksheet.write(0, 10, label='num')
worksheet.write(0, 11, label='Response_Rate')

写入数据

worksheet.write(count, 0, label=str(years[0]) + "YRS")
worksheet.write(count, 1, label=str(" , ".join(product_imgs)))
worksheet.write(count, 2, label=str(" , ".join(product_titles)))
worksheet.write(count, 3, label=str(title[0]))
worksheet.write(count, 4, label=str(supperherf))
worksheet.write(count, 5, label=str(Main_Products))
worksheet.write(count, 6, label=str(Country_Region))
worksheet.write(count, 7, label=str(Total_Revenue))
worksheet.write(count, 8, label=str(Top3_Markets))
worksheet.write(count, 9, label=str(Transactions_6months[0]))
worksheet.write(count, 10, label=str(num))
worksheet.write(count, 11, label=str(Response_Rate))

供应商数据

商品数据

交易数据

7.结尾

为了让客户方便使用，还写了一个命令行的操作界面

if __name__ == '__main__':
    menu()
    me = int(input("请输入："))
    f = 1
    while(f):
        if me == 1:
            print("开始爬取商品数据")
            get_product()
        elif me == 2:
            ke = input("请输入商品名称：")
            print("开始爬取商家数据,关键字："+str(ke))
            supper(ke)
        elif me == 3:
            print("开始爬取交易数据")
            get_trade()
        else:
            f=0
            break

tkinter界面

但是为了方便其他机器上可以使用，我通过python写了界面

界面源码

import tkinter as tk
master = tk.Tk()
# 窗口命名
master.title("数据采集v1.0 --李运辰")


# 窗口width不可变，height可变
master.resizable(width=False, height=True)
tk.Label(master, text="商品名称：").grid(row=0)
# tk.Label(master, text="作者：").grid(row=1)
e1 = tk.Entry(master)
# e2 = tk.Entry(master)
e1.grid(row=0, column=1,columnspan=4, padx=10, pady=5)
w = tk.Label(master, text=str(0)
tk.Button(master, text="终止爬取", width=8, command=isstart).grid(row=3, column=0, sticky="w", padx=1, pady=5)
tk.Button(master, text="商家爬取", width=8, command=supper).grid(row=3, column=1, sticky="e", padx=2, pady=2)
tk.Button(master, text="商品爬取", width=8, command=product).grid(row=3, column=2, sticky="e", padx=3, pady=5)
tk.Button(master, text="交易数据爬取", width=10, command=get_trade).grid(row=3, column=3, sticky="e", padx=4, pady=5)
w.grid(row=4, column=0, columnspan=4, sticky="nesw", padx=0, pady=5)
master.mainloop()

总结

1、以上就是本次的接单的项目过程和工作，本文也是记录一下这个过程，等以后再看的时候可能是一种享受的感觉，同时也分享给你们，给小白可以学习。

2.大家如果有什么问题的可以在下方进行留言，相互学习。

------------------- End -------------------

Scrapy爬虫：链家全国各省城市房屋数据批量爬取，别再为房屋发愁！

pyhton爬取爱豆（李易峰）微博评论（附源码）

你的未来有我导航----教你如何爬取高德地图

欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群】

万水千山总是情，点个【在看】行不行

 

【加群获取学习资料QQ群：901381280】
【各种爬虫源码获取方式】
识别文末二维码，回复：爬虫源码
欢迎关注公众号：Python爬虫数据分析挖掘，方便及时阅读最新文章
回复【开源源码】免费获取更多开源项目源码