Python实现淘宝商品数据爬取——静态网页爬虫（仅供学习，切勿无限制爬取）

一、关于淘宝网

淘宝网是亚太地区较大的网络零售、商圈，由阿里巴巴集团在2003年5月创立。淘宝网是中国深受欢迎的网购零售平台，拥有近5亿的注册用户数，每天有超过6000万的固定访客，同时每天的在线商品数已经超过了8亿件，平均每分钟售出4.8万件商品。

二、我们的目标是什么？

1、爬取淘宝页面某类商品的价格、名称、店家地址、交易数量；
2、以列表的形式将每一个商品的数据存入.csv文件中；
3、实现与用户的交互功能，不用修改程序也可以进行爬虫；
4、打包程序，以方便更换设备时也可以使用。

三、淘宝网爬虫思路

警告

警告：淘宝网的robots协议设定不允许爬虫，本文仅供爬虫学习，切勿对淘宝网进行大规模爬虫，否则后果自负

爬虫思路

淘宝网“每天的在线商品数已经超过了8亿件，平均每分钟售出4.8万件商品”，如此巨大的数据量，如何在淘宝网上爬取下来呢？
其实，淘宝网的搜索功能就是一个“爬虫”，通过键入“关键词”，实现对服务器的访问，返回你需要的商品序列。一般情况下，返回100页，每页48或60个商品。如下图：
1、我们需要做的是对每一页进行遍历，爬取每个商品的价格、名称、店家地址、交易数量等数据。
2、这时候我们需要看看“源码”（任意位置右键→查看网页源代码），淘宝网返回静态网页，采用html编写，源码如下图：
3、查看“上图源码”，我们发现：
价格数据为"view_price":“8.50”；
名称数据为"raw_title":“爱好圆珠笔按压式子弹头油笔批发办公学生用”
店家地址数据为"item_loc":“浙江 温州”
交易数量数据为"view_sales":“1.0万+人付款”
4、之后我们需要用python的re（正则表达式）库对上述数据进行提取（关于正则表达式的编写，大家可以看一下：正则表达式-菜鸟教程）
5、提取完成之后，就是存储的问题了，我们需要把提取出来的数据用特定格式存储在我们的计算机中，本文采用的存储格式是csv。
以上就是整个“淘宝网爬虫”思路。

四、程序编写

#--author--张俊杰@Nick
#coding:utf-8
import requests
import re
import time
import csv


def getHTMLText(url):
    try:
    #每次登陆淘宝，淘宝都会以加密方式返回登陆账号和密码信息，如果使用程序访问的话，需要发送post请求，这时需要发送cookie，以实现自动登录。请使用自己的cookie，复制到header字典中。
        header={"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36",
"cookie":“输入你的cookie”}
        r = requests.get(url,headers=header,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""
    

def parsePage(ilt,html):
    try:
    #请百度搜索正则表达式的菜鸟教程，勤加练习，必有大成。
        plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
        loc = re.findall(r'\"item_loc\"\:\".*?\"',html)
        sale = re.findall(r'\"view_sales\"\:\"[\d\.]*.*?\"',html)
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])
            title = eval(tlt[i].split(':')[1])
            location = eval(loc[i].split(':')[1])
            sales = eval(sale[i].split(':')[1])
            ilt.append([price,title,location,sales])
    except:
        print("")

def printGoodsList(ilt):
    tplt = "{:4}\t{:6}\t{:8}\t{:8}\t{:8}"
    print(tplt.format("序号","价格","商品名称","商品地址","付款数量"))
    output_list=["序号","价格","商品名称","商品地址","付款数量"]
    #存储路径需根据需要更改
    with open('C:/Users/你杰哥/Desktop/python/淘宝/'+str(goods)+'（'+str(depth*48)+'条数据）'+'.csv',"a+",encoding='GB18030',newline='') as csvfile:
        	w=csv.writer(csvfile)
        	w.writerow(output_list)
        	csvfile.close()
    count=0
    for g in ilt:
        count = count+1
        print(tplt.format(count,g[0],g[1],g[2],g[3]))
        out_putlist=[count,g[0],g[1],g[2],g[3]]
         #存储路径需根据需要更改
        with open('C:/Users/你杰哥/Desktop/python/淘宝/'+str(goods)+'（'+str(depth*48)+'条数据）'+'.csv',"a+",encoding='GB18030',newline='') as csvfile:
        	w=csv.writer(csvfile)
        	w.writerow(out_putlist)
        	csvfile.close()
    	

def main(goods,depth):
    start_url='https://s.taobao.com/search?q='+goods
    infoList =[]
    for i in range(depth):
        try:
            url = start_url + '&s='+ str(44*i)
           # 下面是我的网址简化过程，最好学习一下。
#1、https://s.taobao.com/search?q=圆珠笔&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20190826&ie=utf8&p4ppushleft=1%2C48&s=0
#2、https://s.taobao.com/search?q=圆珠笔&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20190826&ie=utf8&p4ppushleft=1%2C48
#3、https://s.taobao.com/search?q=圆珠笔
#4、这个网址就可以实现我们需要的数据返回。
            html= getHTMLText(url)
            parsePage(infoList,html)
        except:
                continue
    #print(html)        
    printGoodsList(infoList)
    

#实现超级简单的用户交互，想爬取什么就爬取什么
goods=input("请输入你需要搜索的商品：")
#本文仅供学习，爬虫深度的设置，请理性设置
depth=int(input("请输入需要爬取的页数（请尝试在淘宝中搜索该商品关键词，查看返回页码，请理性设置爬虫深度）："))
#传参，需把外部参数传入main函数中。
main(goods,depth)
#提醒
print("数据爬取结束")
time.sleep(10)

五、封装TB.py成.exe文件

在TB.py同目录下右键打开cmd，执行pyinstaller -F TB.py #TB.py为编写的python文件（如果不会封装，请看我上一篇文章）

六、执行TB.exe文件

1、双击TB.exe;
2、输入关键词（比如圆珠笔）、爬虫页数（depth）（比如2）；
3、爬虫结束

4、爬虫结果

七、总结

1、Python程序简洁，各种第三方库支持，爬虫方便；
2、在初次爬取淘宝网时出现了“无法访问”的问题，这是因为程序访问受限，需发送post请求，创建字典，发送User-Agent和cookie；
3、静态网页爬虫需对网页源代码进行分析，确定数据位置和特征；
4、正则表达式是一种非常简便的数据匹配方式，请认真学习用法，勤加练习；
5、程序编写、运行会遇到很多的问题，耐心解决；
6、淘宝网是不允许爬虫的，所以此帖仅供学习爬虫技术，不建议大家对淘宝网网页进行大规模爬取。