Python3爬蟲爬取淘寶商品數據

這次的主要的目的是從淘寶的搜索頁面獲取商品的信息。其實分析頁面找到信息很容易，頁面信息的存放都是以靜態的方式直接嵌套的頁面上的，很容易找到。主要困難是將信息從HTML源碼中剝離出來，數據和網頁源碼結合的很緊密，剝離數據有一定的難度。

然后將獲取的信息寫入excel表格保存起來，這次只爬取了前面10頁 的內容。在運行代碼的過程中發現，30頁后面的數據有問題，出現了手機價格為0的情況，這是不符合實際的，碼也沒有寫錯誤處理的代碼。

這次先寫個粗略的，有點凌亂的感覺，下次有時間再系統的整理整理吧。

這是爬取的數據的效果圖：

 

這是程序的代碼：

import requests
import re
from xlwt import Workbook
import xlrd
import time

def key_name( number ):
    #獲取頁面的內容並返回
    name = '手機'
    URL_1 = "https://s.taobao.com/search?ie=utf8&initiative_id=staobaoz_20170905&stats_click=search_radio_all%3A1&js=1&imgfile=&q="
    URL_2 = "&suggest=0_1&_input_charset=utf-8&wq=u&suggest_query=u&source=suggest&p4ppushleft=5%2C48&s="
    URL = ( URL_1 + name + URL_2 + str(number))
    #print(URL)
    res = requests.get( URL )
    return res.text

def find_date( text):
    #根據整個頁面的信息，獲取商品的數據所在的HTML源碼並放回
    reg = r',"data":{"spus":\[({.+?)\]}},"header":'
    reg = re.compile(reg)
    info = re.findall(reg, text)
    return info[0]

def manipulation_data( info, N, sheet ):
    #解析獲取的HTML源碼，獲取數據
    Date = eval(info)

    for d in Date:
        T = " ".join([t['tag'] for t in d['tag_info']])
        #print(d['title'] + '\t' + d['price'] + '\t' + d['importantKey'][0:len(d['importantKey'])-1] + '\t' + T)
        
        sheet.write(N,0,d['title'])
        sheet.write(N,1,d['price'])
        sheet.write(N,2,T)
        N = N + 1
    return N
    
    
def main():
    
    book = Workbook()
    sheet = book.add_sheet('淘寶手機數據')
    sheet.write(0,0,'品牌')
    sheet.write(0,1,'價格')
    sheet.write(0,2,'配置')
    book.save('淘寶手機數據.xls')
    #k用於生成鏈接，每個鏈接的最后面的數字相差48.
    #N用於記錄表格的數據行數，便於寫入數據
    k = 0
    N = 1
    for i in range(10+1):
        text = key_name( k + i * 48 )
        info = find_date(text)
        N = manipulation_data( info ,N, sheet )
    
        book.save('淘寶手機數據.xls')
        print('下載第' + str(i) + '頁完成')

if __name__ == '__main__':
    main()