简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

淘宝改字段,Bugfix,查看https://github.com/hunterhug/taobaoscrapy.git

由于Github 打包的exe某些文件上传被.gitignore了,所以欢迎从这里下载工具:上面那条链接可以下载

一、前言

大家好,今天我要来讲讲一个比较实用的爬虫工具,抓取淘宝的关键字商品信息,即是:

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

输入关键字,按照价格等排序,抓取列出的商品信息以及下载图片,并且支持导出为Excel。

如果如下:

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

看完下面的讲解,Python语言就掌握得差不多,中级水平了,而且这个封装后的工具还是很好用的。

感觉自己萌萌哒~~

二、原理

大家知道什么叫爬虫,它也叫网络蜘蛛,机器人等,意思就是说自动的程序,可以去抓取使用网络协议传输的内容。

目前来讲爬虫主要使用在抓网站,即使用Http协议传输的各种数据,如html,xml和json等,也包括图片等二进制内容。

http协议主要有请求报文和响应报文,计算机网络必须学好,网络编程嘛!

发送一个请求报文给网站服务器,它就会回报一个响应报文,附带一些数据。

请求报文,后面带一堆头部,可能会携带数据,如post或get的时候:

GET www.baidu.com HTTP/1.1...

响应报文,后面带头部还有数据:

HTTP/1.1 200 OK..

以下为火狐F12的结果,仅供参考!

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

正在翻译:http://www.kancloud.cn/yizhinima/httpcore/117444

我们只需正常进行http请求即可获得数据,问题是淘宝会反爬虫,或者是需要登录。

1.一般反爬虫会在头部做点手脚,加密一些头部,如防盗链有个Referer,如果不是本服务器则拒绝提供服务。

而Session传送的Cookie一般以jsessionid这种头部存在。。。。

2.可能会根据IP访问次数,如一秒访问100次则认为是机器人,比如豆瓣。

本人抓过豆瓣大部分的书~~~~存在数据库了~~请上github!

解决方法:自然是伪装成人类,暂停,换IP,登录,完美!!

由于本人更喜欢用手机玩淘宝,自然是抓手机淘宝的数据,因为也是HTML原生的,所以抓的数据应该是PC端一样妥妥的!

三、思路

先根据F12调试后,确定链接地址,伪装头部,伪装查询条件,非常情况使用外部Cookie文件,得到JSONP数据,替换成JSON数据,抽取JSON数据,

提取图片链接,更改图片尺寸,抓取大图片,图片压缩,数据选择填入EXCEL,生成EXCEL,KO!

四、代码

因为代码较长,下面先按层次逐步讲解,请保存耐心!

使用Python3.4,下面为文件层次截图,部分未截。

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

1.导入相应模块

# -*- coding:utf-8 -*-
import urllib.request, urllib.parse, http.cookiejar
import os, time,re
import http.cookies
import xlsxwriter as wx  # 需安装,EXCEL强大库
from PIL import Image # 需安装,图片压缩截取库
import pymysql # 需安装,mysql数据库操作库
import socket
import json

安装模块请使用

pip3 install *

如:pip3 install xlsxwriter
或者从万能仓库 http://www.lfd.uci.edu/~gohlke/pythonlibs/#cx_freeze

下载对应版本:

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

然后打开cmd,转到该文件目录,使用:

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

妥妥的,自行安装哈,有问题咨询我!

核心代码如下:

def getHtml(url,daili='',postdata={}):
    """
    抓取网页:支持cookie
    第一个参数为网址,第二个为POST的数据

    """
    # COOKIE文件保存路径
    filename = 'cookie.txt'

    # 声明一个MozillaCookieJar对象实例保存在文件中
    cj = http.cookiejar.MozillaCookieJar(filename)
    # cj =http.cookiejar.LWPCookieJar(filename)

    # 从文件中读取cookie内容到变量
    # ignore_discard的意思是即使cookies将被丢弃也将它保存下来
    # ignore_expires的意思是如果在该文件中 cookies已经存在,则覆盖原文件写
    # 如果存在,则读取主要COOKIE
    if os.path.exists(filename):
        cj.load(filename, ignore_discard=True, ignore_expires=True)
    # 读取其他COOKIE
    if os.path.exists('../subcookie.txt'):
        cookie = open('../subcookie.txt', 'r').read()
    else:
        cookie='ddd'
    # 建造带有COOKIE处理器的打开专家
    proxy_support = urllib.request.ProxyHandler({'http':'http://'+daili})
    # 开启代理支持
    if daili:
        print('代理:'+daili+'启动')
        opener = urllib.request.build_opener(proxy_support, urllib.request.HTTPCookieProcessor(cj), urllib.request.HTTPHandler)
    else:
        opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

    # 打开专家加头部
    opener.addheaders = [('User-Agent',
                          'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5'),
                         ('Referer',
                          'http://s.m.taobao.com'),
                         ('Host', 'h5.m.taobao.com'),
                         ('Cookie',cookie)]

    # 分配专家
    urllib.request.install_opener(opener)
    # 有数据需要POST
    if postdata:
        # 数据URL编码
        postdata = urllib.parse.urlencode(postdata)

        # 抓取网页
        html_bytes = urllib.request.urlopen(url, postdata.encode()).read()
    else:
        html_bytes = urllib.request.urlopen(url).read()

    # 保存COOKIE到文件中
    cj.save(ignore_discard=True, ignore_expires=True)
    return html_bytes

这是万能的抓取代码,要代理有代理,要Post数据有数据,还有Cookie保存机制,外部cookie引用。

头部伪装成手机端,妥妥的!!

下面拆分讲解:

    filename = 'cookie.txt'

    # 声明一个MozillaCookieJar对象实例保存在文件中
    cj = http.cookiejar.MozillaCookieJar(filename)

上述语句表明,访问网站后cookie保存在cookie.txt中,程序运行后如图

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

由于每次生成cookie.txt后需要重新使用

    # 从文件中读取cookie内容到变量
    # ignore_discard的意思是即使cookies将被丢弃也将它保存下来
    # ignore_expires的意思是如果在该文件中 cookies已经存在,则覆盖原文件写
    # 如果存在,则读取主要COOKIE
    if os.path.exists(filename):
        cj.load(filename, ignore_discard=True, ignore_expires=True)

所以如果存在cookie.txt就加载进去,作为头部。

然而并没有什么卵用,淘宝会加密,Cookie没那么简单。生成的Cookie不够用!

因为有时淘宝需要登录,登陆产生的密码好变态,所以不管,用简单粗暴的方法。

登陆:http://s.m.taobao.com/h5entry

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

登陆后在浏览器上按F12,点击网络,然后在地址栏输入:

http://s.m.taobao.com/search?buying=buyitnow&abtest=16&wlsort=16&sort=bid&from=1&topSearch=1&search=%E6%8F%90%E4%BA%A4%E6%9F%A5%E8%AF%A2&event_submit_do_new_search_auction=1&sst=1&page=16&searchfrom=1&q=%E9%AB%98%E8%B7%9F%E9%9E%8B&action=home%3Aredirect_ap

如下图,复制Cookie。

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

将复制的Cookie粘贴到subcookie.txt文件中,最后一行这一部分去掉。

简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

因为JSESSIONID已经自动生成了,需要上面的其他头部。下面是subcookie.txt内容,好丑!

thw=cn; isg=A7A89D9621A9A068A783550E83F9EA75; l=ApqaMO0Erj-EZWH3j8agZ1OFylq8yx6l; cna=Hu3jDrynL3MCATsp1roB7XpN
; t=55aa84049f7d4d13fd9d35f615eca657; uc3=nk2=odrVGF%2FSsTE%3D&id2=UonciKb8CbgV7g%3D%3D&vt3=F8dAScLyUuy4Y2y
%2BLsc%3D&lg2=W5iHLLyFOGW7aA%3D%3D; hng=CN%7Czh-cn%7CCNY; tracknick=%5Cu843D%5Cu7FCE%5Cu4E4B%5Cu5C18
; _cc_=VT5L2FSpdA%3D%3D; tg=0; x=e%3D1%26p%3D*%26s%3D0%26c%3D0%26f%3D0%26g%3D0%26t%3D0%26__ll%3D-1%26_ato
%3D0; ali_ab=59.41.214.186.1448953885940.9; miid=7373684866201455773; lzstat_uv=5949133953778742363|2144678
@2981197; lgc=%5Cu843D%5Cu7FCE%5Cu4E4B%5Cu5C18; _m_h5_tk=1e74de0ae376f631a8496c95c76f5992_1450410384099
; _m_h5_tk_enc=dd07257232a80053507709abdb5c25ba; WAPFDFDTGFG=%2B4dRjM5djSecKyo4JwyfmJ2Wk7iKyBzheenYyV7Q4jpJ5AGWi
%2BQ%3D; ockeqeudmj=jJryFc8%3D; _w_tb_nick=%E8%90%BD%E7%BF%8E%E4%B9%8B%E5%B0%98; imewweoriw=3%2Fsult5sjvHeH4Vx
%2FRjBTLvgKiaerF3AknLfbEF%2Fk%2BQ%3D; munb=1871095946; _w_app_lg=18; _w_al_f=1; v=0; cookie2=1c990a2699863063b5429a793eb3a06d
; uc1=cookie14=UoWyjiifHcHNvg%3D%3D&cookie21=URm48syIYB3rzvI4Dim4&cookie15=VT5L2FSpMGV7TQ%3D%3D; mt=ci
=-1_0; _tb_token_=QPkhOWpqBYou; wud=wud; supportWebp=false; sg=%E5%B0%986c; cookie1=URseavpIenqQgSuh1bZ8BwEFNWDY3M88T0
%2BWawaafIY%3D; ntm=0; unb=1871095946; _l_g_=Ug%3D%3D; _nk_=%5Cu843D%5Cu7FCE%5Cu4E4B%5Cu5C18; cookie17
=UonciKb8CbgV7g%3D%3D

其实有时是不用到subcookie.txt的,有时却需要用到,有效期很长,几个星期!

# 读取其他COOKIE
    if os.path.exists('../subcookie.txt'):
        cookie = open('../subcookie.txt', 'r').read()
    else:
        cookie='ddd'

如果存在subcookie.txt,则读进去,否则就写乱七八糟~~~感觉么么哒

# 建造带有COOKIE处理器的打开专家
    proxy_support = urllib.request.ProxyHandler({'http':'http://'+daili})
    # 开启代理支持
    if daili:
        print('代理:'+daili+'启动')
        opener = urllib.request.build_opener(proxy_support, urllib.request.HTTPCookieProcessor(cj), urllib.request.HTTPHandler)
    else:
        opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))

构建代理专家,如果存在代理,那么就加入支持,没有就算了,opener是开启人的意思,他就是我!!

    # 打开专家加头部
    opener.addheaders = [('User-Agent',
                          'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5'),
                         ('Referer',
                          'http://s.m.taobao.com'),
                         ('Host', 'h5.m.taobao.com'),
                         ('Cookie',cookie)]

开始伪装,看到Cookie头部没有,我们的subcookie派上用场了,而且我们伪装成iPad!

    # 分配专家
    urllib.request.install_opener(opener)

将我安装到全局请求里面,上面这样做就是全局咯,一旦urlopen,就直接把所有头部发出去了~~~

    # 有数据需要POST
    if postdata:
        # 数据URL编码
        postdata = urllib.parse.urlencode(postdata)

        # 抓取网页
        html_bytes = urllib.request.urlopen(url, postdata.encode()).read()
    else:
        html_bytes = urllib.request.urlopen(url).read()

如果有数据要POST,那么先urlencode一下,因为有些规定一些字符不能出现在url里面,所以要转义,把汉字转成%*,如果某天你post数据的时候一直出错,那么你要考虑是否url里面是否有非法字符,请百度base64原理!!!

转义后直接

html_bytes = urllib.request.urlopen(url).read()

打开url链接,然后读取,读的是二进制喔!!

    # 保存COOKIE到文件中
    cj.save(ignore_discard=True, ignore_expires=True)
    return html_bytes

最后把生成的cookie保存起来,返回抓取的数据。

这就是我们第一个核心函数代码,后面还有很多个喔!


时间:2016/3/27

明天待续:Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第二篇)

欢迎访问我的网站:http://www.lenggirl.com http://beauty.lenggirl.com/

等不及,请github武装!!!

git clone https://github.com/hunterhug/taobaoscrapy.git
上一篇:poj 2778 DNA Sequence ac自动机+矩阵快速幂


下一篇:ubuntu——caffe配置deeplab