本文有2个文件
1:taobao_re_xpath
2:taobao_re_xpath_setting
#
1:taobao_re_xpath
# -*- coding:utf-8 -*-
# author : yesehngbao
# time:2018/3/20 import os
import requests
import re
import json
import pymongo
import hashlib from taobao_re_xpath_setting import *
from multiprocessing import Pool
from lxml import etree dirname = DIRNAME
if not os.path.exists(dirname):
os.mkdir(dirname) dirname1 = DIRNAME1
if not os.path.exists(dirname+'/'+dirname1):
os.mkdir(dirname+'/'+dirname1) dirname2 = DIRNAME2
if not os.path.exists(dirname+'/'+dirname2):
os.mkdir(dirname+'/'+dirname2) dirname3 = DIRNAME3
if not os.path.exists(dirname+'/'+dirname3):
os.mkdir(dirname+'/'+dirname3) url = 'https://s.taobao.com/search' headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)"
" Chrome/64.0.3282.186 Safari/537.36"} def md5(strs):
strs = strs + '12sdwz..'
strs = hashlib.md5(strs.encode('utf-8'))
key = strs.hexdigest()
return key def get_html(page):
"""
获取('首页')
:param page: 获取的页数, q: 想获取的宝贝
:return:
"""
parmas = {
'q': '%s' % GOODS,
's': page,
}
respons = requests.get(url, headers=headers, params=parmas)
if respons.status_code == 200:
return respons.text
else:
return None def get_ajax_html():
"""
解析可能出现的ajax网页 """
ajax_url = 'https://s.taobao.com/api'
parmas = {
'_ksTS': 1521612082036_312,
'callback': 'jsonp267',
'ajax': 'true',
'm': 'customized',
'q': '%s' % GOODS,
's': 36,
'bcoffset': 0,
'rn': '4e1dc906143376f8d2e735536fd3ee0c'
}
respons = requests.get(ajax_url, headers=headers, params=parmas).text
comp = re.compile('jsonp\d+\((.*?)\)', re.S)
strs = re.findall(comp, respons)
if strs:
strs = json.loads(strs[0])
commdity_list = strs.get('API.CustomizedApi').get('itemlist').get('auctions')
if commdity_list:
for commdity in commdity_list:
addr = commdity.get('item_loc')
nick = commdity.get('nick')
sales = commdity.get('view_sales')
detail = 'http:' + commdity.get('detail_url')
yield {
'addr': addr,
'nick': nick,
'sales': sales,
'detail': detail,
} def analysis(html):
"""
解析列表页的数据
html:列表页源码
content : js中的数据和ajax数据 的列表 """
content = []
comp = re.compile('g_page_config = (.*?)g_srp_loadCss', re.S)
if comp:
strs = re.findall(comp, html)[0]
strs = strs.replace(';', '')
strs = json.loads(strs)
data = strs.get('mods').get('itemlist').get('data').get('auctions')
if data:
for i in data:
detail = i.get('detail_url')
if re.match('http', detail):
pass
else:
detail = 'http:'+detail
addr = i.get('item_loc')
nick = i.get('nick')
sales = i.get('view_sales')
item = {
'addr': addr,
'nick': nick,
'sales': sales,
'detail': detail,
}
content.append(item)
if len(data) < 44:
cont = get_ajax_html()
for i in cont:
content.append(i)
return content
else:
print(len(data))
return content
else:
return None
else:
return None def save_img(img_new, page):
"""
主图的下载
img_new : 主图地址 """ if img_new:
img_name = img_new[30:].replace('/', '-')
respons = requests.get(img_new, headers=headers).content
with open(dirname+'/'+dirname1+'/'+md5(img_name)+'.jpg', 'wb')as fp:
fp.write(respons)
return print('第%s页————' % page + '主图片保存完成: ', img_name) def save_color_img(color_url, page): """
颜色图的下载
color_url : 颜色图地址 """
if color_url:
img_name = color_url[30:].replace('/', '-')
respons = requests.get(color_url, headers=headers).content
with open(dirname + '/' + dirname2 + '/' + md5(img_name)+'.jpg', 'wb')as fp:
fp.write(respons)
return print('第%s页————' % page + 'color图片保存完成: ', img_name) def save_video(detail_url, title, page):
"""
视频的下载
url : 视频地址
title : 视频名字 """ if detail_url:
respons = requests.get(detail_url, headers=headers).content
with open(dirname+'/'+dirname3+'/' + md5(title)+'.mp4', 'wb') as fp:
fp.write(respons)
print('第%s页————' % page + '视频下载完成 :('+title+')')
return 'download_ok' def alaysis_detail(respons, page):
"""
获取详情页的图片, 颜色(类别)图, 视频
respons : 详情页源码
doc : xpath解析对象
img_new : 图片地址
color_url : 颜色图地址
video_new : 视频地址
""" # 主图 if page == 0:
page = 1
else:
page = page // 44 + 1
doc = etree.HTML(respons)
li_list = doc.xpath('.//ul[@class="tb-clearfix" or @id="J_UlThumb"]/li')
for li in li_list:
img_old = li.xpath('./a/img/@src')
if img_old:
img_old = img_old[0]
img_new = img_old[-15:].replace('', '')
img_new = 'http:'+img_old[:-15]+img_new
save_img(img_new, page) else:
pass # 颜色(类别)图 compi = re.compile('style="background:url\((.*?)\)')
color_img = re.findall(compi, respons)
for color in color_img:
if color:
color_url = color[-15:].replace('', '').replace('', '')
color_url = 'http:'+color[:-15]+color_url
save_color_img(color_url, page) # 获取视频 comp = re.compile('TShop.Setup\(\s(.*?)\s\)', re.S)
strs = re.findall(comp, respons)
if strs:
strs = json.loads(strs[0])
video_lod = strs.get('itemDO').get('imgVedioUrl')
if video_lod:
video_new = video_lod.replace('e/1', 'e/6').replace('t/8', 't/1')
title = strs.get('itemDO').get('title')
save_video('http:'+video_new, title, page) else:
return '无视频'
else:
return '无视频(或有加密)'
return '下载完成' def get_detail(content, page):
"""
获取详情页信息
content: 列表页数据
detail_url : 详情页入口 """
if content:
for cont in content:
detail_url = cont.get('detail')
respons = requests.get(detail_url, headers=headers)
if respons.status_code == 200:
alaysis_detail(respons.text, page)
else:
print(respons.status_code)
return '详情页爬取完成' def save_mongo(content):
"""
实现保存列表页的数据
content: 列表页数据
"""
mongo_client = pymongo.MongoClient(host=MONGO_HOST, port=MONGO_PORT)
db = mongo_client[MONGO_DB]
coll = db[MONGO_COLL]
coll.insert(content)
print('数据保存成功: ', content, len(content))
return None def main(page): """
此程序为了爬取淘宝宝贝而生,可以获得宝贝图片,店面,地址,信息,视频等。。
page :获取列表页的数量
html :获取列表页的源码
content : 列表页宝贝的详细信息和地址
""" html = get_html(page)
content = analysis(html)
save_mongo(content)
get_detail(content, page) if __name__ == '__main__':
pool = Pool()
pool.map(main, [page*44 for page in range(NUM)])
print('程序结束')

#

2:taobao_re_xpath_setting
# -*- coding:utf-8 -*-
# author : yesehngbao
# time:2018/3/21 # 需要爬取得宝贝 GOODS = '皮鞋' # 需要爬取的页数(不大于100) NUM = 100 # 配置mongodb MONGO_HOST = 'localhost'
MONGO_PORT = 27017
MONGO_DB = 'test'
MONGO_COLL = 'shoe' # 目录包
DIRNAME = 'taobao' # 主图片包
DIRNAME1 = 'shoe_park_img' # 颜色(类别)图片包
DIRNAME2 = 'shoe_color_img' # 视频包
DIRNAME3 = 'shoe_video'

python 简单实现淘宝关键字商品爬取的更多相关文章

  1. selenium实现淘宝的商品爬取

    一.问题 本次利用selenium自动化测试,完成对淘宝的爬取,这样可以避免一些反爬的措施,也是一种爬虫常用的手段.本次实战的难点: 1.如何利用selenium绕过淘宝的登录界面 2.获取淘宝的页面 ...

  2. 简单的抓取淘宝关键字信息、图片的Python爬虫|Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇)

    Python3中级玩家:淘宝天猫商品搜索爬虫自动化工具(第一篇) 淘宝改字段,Bugfix,查看https://github.com/hunterhug/taobaoscrapy.git 由于Gith ...

  3. python就业班-淘宝-目录.txt

    卷 TOSHIBA EXT 的文件夹 PATH 列表卷序列号为 AE86-8E8DF:.│ python就业班-淘宝-目录.txt│ ├─01 网络编程│ ├─01-基本概念│ │ 01-网络通信概述 ...

  4. 手把手教你写电商爬虫-第四课 淘宝网商品爬虫自动JS渲染

    版权声明:本文为博主原创文章,未经博主允许不得转载. 系列教程: 手把手教你写电商爬虫-第一课 找个软柿子捏捏 手把手教你写电商爬虫-第二课 实战尚妆网分页商品采集爬虫 手把手教你写电商爬虫-第三课 ...

  5. python基础班-淘宝-目录.txt

    卷 TOSHIBA EXT 的文件夹 PATH 列表卷序列号为 AE86-8E8DF:.│ python基础班-淘宝-目录.txt│ ├─1-1 Linux基础│ ├─01-课程简介│ │ 01-课程 ...

  6. iOS 集成阿里百川最新版(3.1.1.96) 实现淘宝授权登录以及调用淘宝客户端商品详情页

      公司最近要做第三方登录,由于是做导购项目,必不可少的有淘宝的授权登录.本来就是一个授权登录,没什么大不了的.但淘宝的无线开放业务——阿里百川更新的最新版本3.1.1.96,开发文档不是不详细,是很 ...

  7. selenium+PhantomJS 抓取淘宝搜索商品

    最近项目有些需求,抓取淘宝的搜索商品,抓取的品类还多.直接用selenium+PhantomJS 抓取淘宝搜索商品,快速完成. #-*- coding:utf-8 -*-__author__ =''i ...

  8. Python模拟登陆淘宝并统计淘宝消费情况的代码实例分享

    Python模拟登陆淘宝并统计淘宝消费情况的代码实例分享 支付宝十年账单上的数字有点吓人,但它统计的项目太多,只是想看看到底单纯在淘宝上支出了多少,于是写了段脚本,统计任意时间段淘宝订单的消费情况,看 ...

  9. python爬虫-京东商品爬取

    京东商品爬取 仅供学习 一.使用selenium from selenium import webdriver from selenium.webdriver.common.keys import K ...

随机推荐

  1. PHP微信公众平台oauth2.0网页授权登录类的封装demo

    一.微信授权使用的是OAuth2.0授权的方式.主要有以下简略步骤: 第一步:用户同意授权,获取code 第二步:通过code换取网页授权access_token 第三步:拉取用户信息(需scope为 ...

  2. JavaScript(第七天)【对象和数组】

    什么是对象,其实就是一种类型,即引用类型.而对象的值就是引用类型的实例.在ECMAScript中引用类型是一种数据结构,用于将数据和功能组织在一起.它也常被称做为类,但ECMAScript中却没有这种 ...

  3. Alpha冲刺总结

    团队成员 陈家权 031502107 赖晓连 031502118 雷晶 031502119 林巧娜 031502125 庄加鑫 031502147 一.项目预期计划及现实进展 项目预期计划 现实进展 ...

  4. 结对作业NO.2

    结对NO.2 1. 引言 1.1 项目地址 github 生成的一组好数据 1.2 项目简介 按照老师给的项目要求:"编码实现一个部门与学生的智能匹配的程序".由于数据需要自己生成 ...

  5. 学生ID查询

    var http = require("http"); var server = http.createServer(function(req,res){ //得到url var ...

  6. Web前端性能分析

    Web前端性能通常上代表着一个完全意义上的用户响应时间,包含从开始解析HTML文件到最后渲染完成开始的整个过程,但不包括在输入url之后与服务器的交互阶段.下面是整个过程的各个步骤: 开始解析html ...

  7. IDEA之Jrebel插件激活

    问题: 码农日常中,热部署是必不可少的,而jrebel插件很好的实现热部署功能. IDEA下载jrebel插件,可以免费试用15天,但之后就无法使用.因为Jrebel是收费的. 解决方法: 楼主也是百 ...

  8. linux的slect的脚本适用于交互

    [rhuang@localhost ~]$ vi os.sh #!/bin/bash echo "What is your favourite OS?" select var in ...

  9. 数据库 MYSQL操作(一)

    数据库  MYSQL操作总结(一) 本文主要介绍一下笔者在使用数据库操作的过程中的一些总结,主要的内容包括一下几个内容: 一.mysql 使用基础(主要包括数据库的安装.基本操作等内容) 二.mysq ...

  10. linux 下 /bin /sbin 的区别

    /bin,/sbin,/usr/bin,/usr/sbin区别 /  : this is root directory                root 用户根目录 /bin : command ...