淘宝商品比价定向爬虫实例介绍

功能描述

目标：获取淘宝搜搜页面的信息，提取其中的商品名称和价格
理解：淘宝的搜索接口&翻页的处理
技术路线：requests&re

“书包”：

变量s代表下一页起始商品的信息

定向爬虫的可能性：查看robots协议

程序的结构设计：
步骤1：提交商品搜索请求，循环获取页面
步骤2：对于每个页面，提取商品名称和价值信息
步骤3：将信息输出到屏幕上

案例总结：
-采用了requests-re路线实现了淘宝商品比价定向爬虫
-熟练掌握正则表达式在信息提取方面的作用

代码：

import requests
import re

def getHTMLText(url):
    try:
        r=requests.get(url,timeout = 30)
        r.raise_for_status
        r.encoding = r.apparent_encoding  #是否使用，需要判断r.encoding是否能获取文件编码信息
        return r.text
    except:
        return ""

def parsePage(ilt,html):   #对所得页面进行解析
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)   #.*?-最小匹配/匹配的内容是商品本身的名字
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])  #通过split方法分割：后面的部分只取价格
            title = eval(tlt[i].split(':')[1])  #eval去掉双引号
            ilt.append([price,title])   
    except:
        print("")

def printGoodsList(ilt):   #将淘宝得商品信息输出到屏幕上
    tplt = "{:4}\t{:8}\t{:16}"  #规定输出格式
    print(tplt.format("序号","价格","商品名称"))
    count = 0
    for g in ilt :
        count = count +1 
        print(tplt.format(count,g[0],g[1]))

def main():
    goods = 'packbage'
    depth = 2
    start_url = 'https://s.taobao.com/search?q='+goods
    infoList = []
    for i in range(depth):
        try:
            url = start_url + '&s=' +str(44*i)   #每页起始有s=44*i
            html = getHTMLText(url)
            parsePage(infoList,html)
        except:
            continue
    printGoodsList(infoList)      #爬取得最终结果保存在infoList列表中
main()