快捷導(dǎo)航

python爬取淘寶商品詳情頁數(shù)據(jù)

更新時間：2018年02月23日 15:30:54 作者：HP的博客

這篇文章主要為大家詳細(xì)介紹了python爬取淘寶商品詳情頁數(shù)據(jù)的相關(guān)資料，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在講爬取淘寶詳情頁數(shù)據(jù)之前，先來介紹一款 Chrome 插件：Toggle JavaScript (它可以選擇讓網(wǎng)頁是否顯示 js 動態(tài)加載的內(nèi)容)，如下圖所示：

當(dāng)這個插件處于關(guān)閉狀態(tài)時，待爬取的頁面顯示的數(shù)據(jù)如下:

當(dāng)這個插件處于打開狀態(tài)時，待爬取的頁面顯示的數(shù)據(jù)如下:

可以看到，頁面上很多數(shù)據(jù)都不顯示了，比如商品價格變成了劃線價格，而且累計評論也變成了0，說明這些數(shù)據(jù)都是動態(tài)加載的，以下演示真實價格的找法(評論內(nèi)容找法類似)，首先檢查頁面元素，然后點擊Network選項卡，刷新頁面，可以看到很多動態(tài)加載的數(shù)據(jù)，在里面找到包含商品價格的鏈接(可以使用Ctrl+f查找)，如下圖所示:

將此鏈接在新的標(biāo)簽頁打開，如下圖所示，可以看到，被禁止訪問了，所以爬取的時候要在headers中加上Referer字段告訴服務(wù)器你是從哪個頁面鏈接過來的，Referer字段可以在這里查看:

評論數(shù)據(jù)的鏈接可以直接訪問(和價格信息找法類似)，這里我知己去訪問它，如下圖所示:

可以看到評論信息總共有7頁，而且都是json格式的數(shù)據(jù)，所以可以用json反序列化去抽取數(shù)據(jù)，當(dāng)然也可以用正則表達(dá)式，下面我將演示用正則去抽取數(shù)據(jù)，因為評論數(shù)據(jù)過多，這里只抓取第一頁，如果需要所有評論數(shù)據(jù)，可以循環(huán)構(gòu)造url，只需要修改currentPage參數(shù)的值就行。程序源碼如下:

# filename:spider_taobao.py
#!/usr/bin/env python
# -*- coding=utf-8 -*-

import re
import urllib2

def spider_taobao(url):

 headers = {
  'Accept':'application/json, text/plain, */*',
  'Accept-Language':'zh-CN,zh;q=0.3',
  'Referer':'https://item.taobao.com/item.htm',
  'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
  'Connection':'keep-alive',
 }

 goods_id = re.findall('id=(\d+)', url)[0]

 try:
  req = urllib2.Request(url=url, headers=headers)
  res = urllib2.urlopen(req).read().decode('gbk', 'ignore')
 except Exception as e:
  print '無法打開網(wǎng)頁:', e.reason

 try:
  title = re.findall('<h3 class="tb-main-title" data-title="(.*?)"', res)
  title = title[0] if title else None
  line_price = re.findall('<em class="tb-rmb-num">(.*?)</em>', res)[0]

  # 30-42行為抓取淘寶商品真實價格，該數(shù)據(jù)是動態(tài)加載的
  purl = "https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId={}&modules=price,xmpPromotion".format(goods_id)

  price_req = urllib2.Request(url=purl, headers=headers)
  price_res = urllib2.urlopen(price_req).read()
  data = list(set(re.findall('"price":"(.*?)"', price_res)))
  # data列表中的價格可能是定值與區(qū)間的組合，也可能只是定值，而且不一定有序
  real_price = ""
  for t in data:
   if '-' in t:
    real_price = t
    break
  if not real_price:
   real_price = sorted(map(float, data))[0]

  # 45-53行為抓取評論數(shù)據(jù)，該數(shù)據(jù)也是動態(tài)加載的
  comment_url = "https://rate.tmall.com/list_detail_rate.htm?itemId={}&sellerId=880734502&currentPage=1".format(goods_id)
  comment_data = urllib2.urlopen(comment_url).read().decode("GBK", "ignore")
  temp_data = re.findall('("commentTime":.*?),"days"', comment_data)
  temp_data = temp_data if temp_data else re.findall('("rateContent":.*?),"reply"', comment_data)
  comment = ""
  for data in temp_data:
   comment += data.encode('utf-8')
  comment = comment if comment else "暫無評論"
 except Exception as e:
  print '數(shù)據(jù)抽取失敗!!!'

 print '商品名:', title
 print '劃線價格:', line_price
 print '真實價格:', real_price
 print '商品鏈接:', url
 print '部分評論內(nèi)容:', comment

if __name__ == '__main__':
 #url = 'https://item.taobao.com/item.htm?spm=a230r.1.14.30.43306a3fOeuZ0B&id=553787375606&ns=1&abbucket=10#detail'
 url = raw_input("請輸入商品鏈接: ")
 spider_taobao(url)

運行結(jié)果如下：