爬取淘寶商家貨物簡單銷售數據（銷量，價格，銷售地，貨物名稱）

養成好習慣：文中文末的小廣告點一點javascript

爬取淘寶店家數據信息

爬取淘寶商家貨物簡單銷售數據（銷量，價格，銷售地，貨物名稱）html

1、登陸淘寶，獲取Cookiesjava
2、輸入關鍵字，翻動頁碼，查看源碼以及迴應內容的變化。並請求數據python
3、分析數據網頁源碼，獲取數據nginx
4、存儲數據，並將數據按照銷量降序排列web

前天接一個爬取淘寶商家（自行車）信息的請求，要求數據按照其銷售量排行。正則表達式

完成該請求後，爬取數據（李寧衛衣）以下：
chrome

接下來看如何實現的？shell

首先打開淘寶網：https://www.taobao.com/，在搜索欄輸入自行車，結果發現頁面轉跳到https://login.taobao.com/member/login.jhtml 淘寶登陸頁面，要求登陸才能進行關鍵字搜索獲取數據。（須要登陸的時候應當想到cookies）npm

cookies 及其用處：當咱們登陸某網站時，服務器會生成一個cookies，包含有用戶登陸等信息，與當前帳號綁定，瀏覽器將此cookies存儲到。下一次，瀏覽器帶着cookies訪問網站，就不須要在輸入帳號密碼。注意cookies是有時效性的。

因此，目標明確，第一步，獲取用戶登陸的cookies

1、登陸淘寶，獲取Cookies

須要登陸淘寶頁面獲取cookies，才能執行後續操做。而模擬登陸有兩種方法：

搞清淘寶登陸機制，修改參數登陸。
使用selenium調用webdriver模塊，模擬人真實的操做瀏覽器。

方法一：直接看源碼+備註

import requestsimport reimport jsonimport timeimport random
check_url = 'https://login.taobao.com/newlogin/account/check.do?appName=taobao&fromSite=0'headers = { 'origin':'https://login.taobao.com', 'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36', # 標記了請求從什麼設備，什麼瀏覽器上發出}
session = requests.session()login_url = 'https://login.taobao.com/newlogin/login.do'
#本身手動登陸一次，在參數頁面把全部參數複製過來替換掉，看下圖Login_Data = { 'loginId': '****',  'password2': '*****', 'keepLogin': 'true', 'ua': '***', 'umidGetStatusVal': '255', 'screenPixel': '1536x864', 'navlanguage': 'zh-CN', 'navUserAgent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36', 'navPlatform': 'Win32', 'appName': 'taobao', 'appEntrance': 'taobao_pc', '_csrf_token': '*****', 'umidToken': '****', 'hsiz': '****', 'bizParams':'', 'style': 'default', 'appkey': '00000000', 'from': 'tbTop', 'isMobile': 'false', 'lang': 'zh_CN', 'returnUrl': 'https://www.taobao.com/', 'fromSite': '0',}login_res = session.post(login_url,headers=headers,data=Login_Data) #帶着這些參數再登陸一次爬取數據
#獲取st碼申請地址token_json = login_res.json()st_url = token_json['content']['data']['asyncUrls'][0] #st碼的申請地址print('驗證用戶名和密碼成功')
#經過st碼申請地址獲取st碼st_res = requests.get(st_url,headers=headers)st_code_text = st_res.textst_code = st_code_text[579:-270] #獲取st碼，本身發現的規律，能夠這麼提取，也能夠使用正則表達式print('獲取st碼成功，st碼：{}'.format(st_code))

#獲取登陸跳轉連接res_st = session.get('https://login.taobao.com/member/vst.htm?st={}'.format(st_code) , headers=headers)my_taobao = re.search(r'top.location.href = "(.*?)"', res_st.text)print('登陸淘寶成功，跳轉連接：{}'.format(my_taobao.group(1)))my_taobao_url = my_taobao.group(1)
#登陸res_login = session.get(my_taobao_url, headers=headers)nick_name = re.search(r'<input id="mtb-nickname" type="hidden" value="(.*?)"/>', res_login.text)print('登陸淘寶成功，你的用戶名是：{}'.format(nick_name.group(1)))username = nick_name.group(1)
# 獲取cookies，將cookies轉成字典，再將字典轉成字符串，保存到文件夾中cookies_ditc = requests.utils.dict_from_cookiejar(session.cookies)cookies_str = json.dumps(cookies_ditc)f = open(r'C:\Users\13426\Desktop\cookies.txt','w',encoding='utf-8')f.write(cookies_str)print(cookies_str) #cookies，具備時效性。print('cookie已經完成序列化') f.close()

在自行登陸之後，把參數都複製到Data裏替換掉代碼中的data就能夠。

方法二：使用selenium調用webdriver模塊（本身寫的，因此解釋詳細點）

前提是安裝了Chorm driver插件

Chorm插件下載地址：http://npm.taobao.org/mirrors/chromedriver/2.44/

下載完成後，解壓到python根目錄下便可。

driver能夠模擬人在目標欄目輸入，也能夠模擬人對按鈕進行點擊。

對登陸頁面以及源碼進行分析：發現：

賬號輸入框對應：<input name="fm-login-id" type="text" class="fm-text" id="fm-login-id" tabindex="1" aria-label="會員名/郵箱/手機號" placeholder="會員名/郵箱/手機號" autocapitalize="off">密碼輸入框對應：<input name="fm-login-password" type="password" class="fm-text" id="fm-login-password" tabindex="2" aria-label="請輸入登陸密碼" placeholder="請輸入登陸密碼" maxlength="40" autocapitalize="off">登陸按鈕欄目對應：<button type="submit" tabindex="3" class="fm-button fm-submit password-login">登陸</button>

因此，代碼以下：在帳號密碼框裏輸入內容，點擊登陸進行登陸

from selenium import webdriver#調用webdriver模塊
driver = webdriver.Chrome()#設置引擎爲Chrome，模擬真實地打開一個瀏覽器driver.get('https://login.taobao.com/member/login.jhtml') #打開這個連接time.sleep(1) #等待一秒鐘，模擬真人操做

## 運行代碼以前輸入本身的帳號和密碼user = driver.find_element_by_name('fm-login-id')user.send_keys('這裏輸入本身的帳號') #在fm-login-id對應框中輸入帳號time.sleep(1)assistant = driver.find_element_by_name('fm-login-password')assistant.send_keys('這裏輸入本身的密碼')time.sleep(1)submit = driver.find_element_by_class_name('fm-btn') #點擊登陸按鈕submit.click()#登陸time.sleep(5)cookie_list = driver.get_cookies() #登陸之後獲取cookiecookies = {}print(len(cookie_list))for cookie in cookie_list: cookies[cookie['name']] = cookie['value'] #將cookies字典化print("已經成功的獲取到用戶登陸的cookies")print(cookies)driver.close()

注意，有時候登陸時須要滑動滑塊，手動滑動登陸便可。

到此用戶操做所用cookies的已經獲取，這時候就能夠搜索關鍵字了

2、輸入關鍵字，翻動頁碼，查看源碼以及迴應內容的變化。並請求數據

進入搜索頁：https://s.taobao.com/search? 輸入關鍵字，觀察url變化

咱們發現q參數對應着搜索內容。而後翻動頁面，來到第二頁，觀察url變化，發現變化的有s參數

研究多個頁面發現，url須要修改的參數只有q與s。

在翻頁的過程當中，發現咱們所須要的內容在Response的第0個迴應中，即存在於Element中，因此只要獲取到該網頁的源碼，就能夠獲取到數據。

因此使用https://s.taobao.com/search?q=自行車&s=88 這個格式（q表示搜索的關鍵字，s*44表明頁數）的連接就能夠訪問帶有數據的源碼。

因此代碼以下：

headers = {'Host':'s.taobao.com', 'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Connection':'keep-alive' }list_url = 'http://s.taobao.com/search?q=%(key)s&ie=utf8&s=%(pnum)d'
for i in range(Page): pnum = i*44 url = list_url%{'key':key,'pnum':pnum} print(url) res = requests.get(url,headers=headers,cookies=cookies) #帶有前面獲取的cookies

3、分析數據網頁源碼，獲取數據

這是我爬取的一個李寧衛衣的網頁源碼，發現重要信息保存在一個大字典：g_page_config中

因此咱們能夠經過正則表達式獲取這個大字典，而後逐一提取各數據。或者直接正則各數據提取，咱們採用第二種方法。

#建立正則表達式titles = '"raw_title":"(.*?)"' #標題locations = '"item_loc":"(.*?)"' #銷售地sales = '"view_sales":"(.*?)人付款"' #銷售量comments = '"comment_count":"(.*?)"'#評論數prices = '"view_price":"(.*?)"' #銷售價格nids = '"nid":"(.*?)"' #這裏須要nid，是由於商品的連接是須要這個參數的 

#res.text表示網頁源碼，在其中匹配正則title = re.findall(titles,res.text)location = re.findall(locations,res.text)sale = re.findall(sales,res.text)comment = re.findall(comments,res.text)price = re.findall(prices,res.text)nid = re.findall(nids,res.text)

到這裏已經把全部有效數據存儲到title，location等變量中。它們均爲字符串列表

4、存儲數據，並將數據按照銷量降序排列

使用csv保存數據

csv_file = open(r'文件保存路徑','w',newline='',encoding='utf-8-sig')writer = csv.writer(csv_file)writer.writerow(['商品名稱','銷售地','銷售量','評論數','銷售價格','商品連接'])#後續寫入便可

由於要求數據要根據銷量降序排列，而銷量數據格式爲字符串。分析源碼，發現源碼中銷量的表示通常有’8000+’、‘1.6萬+’、‘784’這幾種表示。即若是銷量小於10000，則按照 ‘具體數字’ 或 ‘具體數字+’ 這樣表示，如’845’、‘3500+’，若是數據大於一萬，則會在後續加個萬字，如’1.6萬+’,‘5.8萬’，強轉爲float時須要作判斷：

因此，經過條件判斷語句和if else判斷：

sale[j] = sale[j] if sale[j][-1] !='+' else sale[j][:-1] #判斷最後一位是否是+，若是是，就刪掉if sale[j][-1] == '萬': data.append([ title[j],location[j],float(sale[j][:-1])*10000,comment[j],price[j],goods_url ]) #若是最後一位是萬，去掉最後一位，乘以10000便可else: data.append([ title[j],location[j],float(sale[j]),comment[j],price[j],goods_url ])
data.sort(key=itemgetter(2)) #按照第3個元素，即銷量進行排序data.reverse()#按照銷量進行排序

還有一個發現就是，商品的連接與nid是有關係的，具體關係以下：

goods_url = 'https://item.taobao.com/item.htm?id='+nid[j]+'&ns=1&abbucket=19#detail'

到此代碼已經分析完畢，源碼以下，登陸時修改本身的帳號密碼，以及文件的保存路徑便可：

import timeimport requestsimport jsonimport refrom selenium import webdriver#調用webdriver模塊import csvfrom operator import itemgetter## 在這裏設置下爬取結果文件保存的路徑csv_file = open(r'C:\Users\13426\Desktop\demo.csv','w',newline='',encoding='utf-8-sig')writer = csv.writer(csv_file)
driver = webdriver.Chrome()#設置引擎爲Chrome，模擬真實地打開一個瀏覽器driver.get('https://login.taobao.com/member/login.jhtml')time.sleep(1)

## 運行代碼以前輸入本身的帳號和密碼user = driver.find_element_by_name('fm-login-id')user.send_keys('輸入本身的帳號')time.sleep(1)assistant = driver.find_element_by_name('fm-login-password')assistant.send_keys('輸入本身的密碼')time.sleep(1)submit = driver.find_element_by_class_name('fm-btn')submit.click()#登陸time.sleep(5)cookie_list = driver.get_cookies()cookies = {}print(len(cookie_list))for cookie in cookie_list: cookies[cookie['name']] = cookie['value']print("已經成功的獲取到用戶登陸的cookies")print(cookies)driver.close()


headers = {'Host':'s.taobao.com', 'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Connection':'keep-alive' }list_url = 'http://s.taobao.com/search?q=%(key)s&ie=utf8&s=%(pnum)d'
titles = '"raw_title":"(.*?)"' #標題locations = '"item_loc":"(.*?)"' #銷售地sales = '"view_sales":"(.*?)人付款"' #銷售量comments = '"comment_count":"(.*?)"'#評論數prices = '"view_price":"(.*?)"' #銷售價格nids = '"nid":"(.*?)"' #這裏須要nid，是由於商品的連接是須要這個參數的 writer.writerow(['商品名稱','銷售地','銷售量','評論數','銷售價格','商品連接'])


key = input('輸入想要爬取的商品名稱：')Page = 5 # 爬取的頁數 ，能夠自行修改data = []
for i in range(Page): pnum = i*44 url = list_url%{'key':key,'pnum':pnum} print(url) res = requests.get(url,headers=headers,cookies=cookies) html = res.text

 title = re.findall(titles,html) location = re.findall(locations,html) sale = re.findall(sales,html) comment = re.findall(comments,html) price = re.findall(prices,html) nid = re.findall(nids,html) for j in range(len(title)): goods_url = 'https://item.taobao.com/item.htm?id='+nid[j]+'&ns=1&abbucket=19#detail' sale[j] = sale[j] if sale[j][-1] !='+' else sale[j][:-1] if sale[j][-1] == '萬': data.append([ title[j],location[j],float(sale[j][:-1])*10000,comment[j],price[j],goods_url ]) #若是最後一位是萬，去掉最後一位，乘以10000便可 else: data.append([ title[j],location[j],float(sale[j]),comment[j],price[j],goods_url ])
 print('-------Page%s 已經抓取完畢!--------\n\n'%(i+1)) time.sleep(2)data.sort(key=itemgetter(2))data.reverse()#按照銷量進行排序 for j in range(len(data)): writer.writerow(data[j])

正文結束！！！！

來一杯飲料放鬆放鬆

歡迎關注公衆號：Python爬蟲數據分析挖掘，方便及時閱讀最新文章

記錄學習python的點點滴滴；

回覆【開源源碼】免費獲取更多開源項目源碼；

公衆號每日更新python知識和【免費】工具；

本文已同步到【開源中國】、【騰訊雲社區】、【CSDN】；