淘宝可以说是一个检验爬虫技术是否过关的最强关卡了,下面来打破它吧。
淘宝的所有操作差不多都是在登录的状态下进行的,这时候想要对淘宝进行请求获取信息就必须在登录的状态下进行了。
方式一:(selenium)
使用selenium模块,使用自动化模块进行爬取淘宝,对自己需要的信息进行爬取下来,这是一个很简单的方式,但是这也是一个效率比较低下的爬虫形式。这个简单的自动化爬取形式就不详细讲解了。但是有一个值得注意的点就是登陆的时候,会被检测出内容输入的速度过快,之后弹出一个滑动验证条,需要对验证条进行处理才能够登陆成功。
方式二:(requests)
使用requests模块,对淘宝页面发起请求,但是在发起请求之前就需要携带上淘宝账号的cookies信息,如果没有携带cookies信息,那么对淘宝发起的所有请求都没有任何有用信息返回。
第一步:登录淘宝保存cookies信息,这个只需要登录一次保存cookies信息,那么很长一段时间都可以不会过期了。所以首先写一个简单的代码获取登录之后的cookies信息,这个可以直接使用selenium模块进行登录,保存cookies信息,毕竟发起登录post请求,不好破解淘宝的加密参数。这个简单就不详细讲解了。
第二步:淘宝对于搜索页面的网址请求反爬措施很强,这个可以不考虑,但是在淘宝的首页却有我们想要的一切,这需要在淘宝的首页找到对应的链接,就可以对这个链接发起请求了。
淘宝首页列出了各种产品信息,这需要找到自己需要的产品,点击进去,获取对应的url,这时候就可以进行我们熟悉的环节了(爬虫)。
第三步:使用第二步中提取到的url(例如:https://s.taobao.com/list?spm=a21bo.2017.201867-links-0.10.5af911d9L2LhUy&q=JK%E5%88%B6%E6%9C%8D&cat=16&style=grid&seller_type=taobao 这是一个女装下的JK制服链接)
- 导入需要使用到的模块
import requests # 发起网络请求
import parsel # xpath 分析页面
import json # 读取保存在文件中的cookies信息
import time
import re # 分析提取页面复杂信息
from requests.cookies import RequestsCookieJar # 为请求添加从cookies信息
from fake_useragent import UserAgent # 设置请求头,可以直接使用浏览器请求头
- 读取保存在文件中自己账号的cookies信息:
session = requests.session() # 创建一个会话
session.headers = header # 设置会话请求头
# 这里对保存在文件中的cookie对象进行提取
jar = RequestsCookieJar()
with open("cookies.txt", "r") as f:
cookies = json.load(f)
for cookie in cookies:
jar.set(cookie['name'], cookie['value']) # 插入cookies信息
3.检测保存的cookies信息是否过期,使用自己账号的主页面进行检测(主页面url:https://i.taobao.com/my_taobao.htm)
def main():
# 请求自己账号的主页面,测试cookies是否过期,如果过期及时更换
res = session.get('https://i.taobao.com/my_taobao.htm',cookies=jar)
time.sleep(3)
if "自己的账号名称" in res.text:
print("cookies还是可用的")
parse() # 发起商品网页请求
else:
print("cookies已经过期,登陆不成功,重新获取")
4.对商品页面发起请求,提取商品信息
def parse():
res = session.get(url, cookies=jar) # 使用cookies进行请求网页
res.encoding = 'UTF-8'
if res.status_code == 200:
html = parsel.Selector(res.text)
contents = html.xpath('//head/script[last()]/text()').extract_first() # 提取页面的中所有商品信息内容
contents = re.findall(r'"itemlist":(.*?),"p4p"', contents, re.S) # 提取有用商品的信息
if len(contents) != 0:
content = contents[0][:-1:] + "}" # 构造字典格式
true = True # 特殊关键字的处理
false = False
content = eval(content) # 把字符串格式内容转换为字典
print(type(content))
itemlists = content['data']['auctions'] # 使用字典提取所有商品信息
print(type(itemlists))
print(len(itemlists))
for item in itemlists:
print("商品名称:", item['raw_title'])
print("商品链接:", item['detail_url'])
else:
print("length:", len(contents))
print("没有提取到商品信息,重新分析页面")
else:
print("登录失败")
5、这样子就可以提取到了淘宝的网页商品信息了,还有就是需要提取每一个商品的总页数,之后使用一个循环直接遍历全部的页面就可以了。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/115140.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...