小白python爬虫入门实例2—— 翻页爬取京东商城商品数据

通过分析京东的网址，寻找翻页时网址的变化规律，从而获取需要用到的数据。在这里我将展示在京东商城爬取书包的价格以及其商品全称，如果觉得这篇文章ok的亲们，可以换个网站，用淘宝如法炮制，祝您成功！

一、源代码

import requests
from bs4 import BeautifulSoup

def getText(url):
    try:
        kv = {'user-agent': 'Mozilla/5.0'}
        r = requests.get(url, headers=kv,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

def parsePage(ilt , html):
    soup = BeautifulSoup(html,"html.parser")
    plt = soup.find_all('div',class_='p-price')     #价钱所在的div的class标签为“p-price"
    tlt = soup.find_all('div',class_='p-name')    #价钱所在的div的class标签为“p-name p-name-type-2"
    for i in range(len(plt)):
        price = plt[i]('i')
        title = tlt[i]('em')
        ilt.append([price[0].get_text(),title[0].get_text()])

def printGoodsList(ilt):
    print("{:^4}\t{:^8}\t{:^16}".format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count += 1
        print("{:^4}\t{:^8}\t{:^16}".format(count,g[0],g[1]))

def main():
    goods = input("请输入商品名称：")
    depth = 2
    start_url = "https://search.jd.com/Search?keyword=" + goods
    infoList = []
    for i in range(depth):
        url = start_url + '&page=' + str(2 * i - 1)
        html = getText(url)
        parsePage(infoList, html)
    printGoodsList(infoList)
main()

测试代码

##测试
goods = input("请输入商品名称：")
kv = {'user-agent': 'Mozilla/5.0'}
dept = 2
url = "https://search.jd.com/Search?keyword=" + goods

info = []
for i in range(dept):
    url1 = url + '&page=' + str(2 * i - 1)
    r = requests.get(url1, headers=kv)
    print(r.status_code)
    r.encoding = r.apparent_encoding
    html = r.text
    soup = BeautifulSoup(html, "html.parser")
    plt = soup.find_all('div', class_='p-price')
    nlt = soup.find_all('div', class_='p-name')

    for j in range(len(plt)):
        price = plt[j]('i')
        name = nlt[j]('em')
        info.append([price[0].get_text(),name[0].get_text()])
        print(info[j])

二、函数解析

1、getText(url)：以目标网页作为参数，获取网页文本内容并返回。

url：为传入函数的目标网址；

“try... except..."：为了防止长时间无法响应网站而死机，设置响应时间为30秒；

def getText(url):
    try:
        kv = {'user-agent': 'Mozilla/5.0'}
        r = requests.get(url, headers=kv,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

2、parsePage(ilt , html)：分析目标网页中需要的内容(商品全称，商品价格），存储在列表ilt中。

ilt：传入的空白列表参数，用于保存查询到的商品信息(商品全称，商品价格）；

html：该参数中保存了目标网站的网页内容；

soup：调用引入的BeautifulSoup库（使用方法请自行搜索，这里不做解释）；

plt：用于保存价格数据的列表。用BeautifulSoup库中的find_all()函数寻找需要的价格数据；

tlt：用于保存商品名称数据的列表。用BeautifulSoup库中的find_all()函数寻找需要的商品名称数据；

price：用于保存查找到的信息中，文本内容的价格字符；

title：用于保存查找到的信息中，文本内容的商品全称的字符；

def parsePage(ilt , html):
    soup = BeautifulSoup(html,"html.parser")
    plt = soup.find_all('div',class_='p-price')     #价钱所在的div的class标签为“p-price"
    tlt = soup.find_all('div',class_='p-name')    #价钱所在的div的class标签为“p-name p-name-type-2"，这里可以填p-name或者p-name-type-2
    for i in range(len(plt)):
        price = plt[i]('i')
        title = tlt[i]('em')
        ilt.append([price[0].get_text(),title[0].get_text()])

3、printGoodsList(ilt)：打印出列表ilt中存储的相关数据信息。

ilt：已经存储了所需要的信息的列表；

count：作为序号用于记录商品的数量，并同商品信息一并输出；

循环输出商品信息。

def printGoodsList(ilt):
    print("{:^4}\t{:^8}\t{:^16}".format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count += 1
        print("{:^4}\t{:^8}\t{:^16}".format(count,g[0],g[1]))

三、网页及网址分析

以“书包”为例，进入京东官网"https://www.jd.com/"，在搜索框中输入“书包”后，可以明显看到，网页变成了https://search.jd.com/Search?keyword=书包&enc=utf-8&wq=书包&pvid=015eefefd82d46e8829af2ceb43db206

分析网页网址可知，通过keyword后面的字段可以搜索到想要的商品，因此，可以通过用户输入获取商品初始网址。点击商品主页底部的翻页可以发现，网址再次发生了变化。

 点击底部导航栏，选择第二页画面后观察网址，发现网址变化为：https://search.jd.com/Search?keyword=书包&qrst=1&wq=书包&stock=1&pvid=015eefefd82d46e8829af2ceb43db206&page=3&s=56&click=0

 变化后的网址与首页网址的区别在于多了一个stock、page、s以及click参数，我们继续点击第三页内容进行对比观察

https://search.jd.com/Search?keyword=书包&qrst=1&wq=书包&stock=1&pvid=015eefefd82d46e8829af2ceb43db206&page=5&s=116&click=0

 第二页与第三页的网址对比可以发现，stock没有变化，page从3变成了5，s从56变成了116，click没有变化。至此，可以推断出这几个变量的变化规律：

page=2*i-1（i的值表示第i页的商品内容)；

s的值，好吧没找出规律来QAQ，欢迎大家在评论里批评指正；

因此，我们以获取两页的商品为例，将目标网页根据寻找到的规律重新订制。

同样，我们在寻找目标数据时，先随便找到一个商品，右键点击“检查”，发现我们所需要的价格信息在class名为“p-price”的div中，商品全称在class名为“p-name”(或“p-name-type-2”，不熟悉html中命名规则的亲们可以自行查找相关资料学习，这里不做解释）的div中，而价格的文本内容在div下的i标签中，因此通过BeautifulSoup中的find_all()函数找到div，再将价格保存在price中；同上，商品全称的文本内容保存在em标签中，使用get_text()函数可以获取其中的非标签内容。

main()：执行函数；

goods：通过用户输入获取商品名称；

depth：爬取目标网页的页数，这里以2页的内容为例，亲们可自行修改；

start_url：定义初始网址，将获取的商品数据加入网址中；

infoList：用于存放相关数据的列表；

url：翻页后的网址。

def main():
    goods = input("请输入商品名称：")
    depth = 2
    start_url = "https://search.jd.com/Search?keyword=" + goods
    infoList = []
    for i in range(depth):
        url = start_url + '&page=' + str(2 * i - 1)
        html = getText(url)
        parsePage(infoList, html)
    printGoodsList(infoList)

四、声明

 本人是学习python爬虫路上的一名小白，如有不当之处（轻喷，小白需要鼓励），欢迎大佬们批评指正。