Python--天猫详情页爬虫

淘宝天猫商品抓取

分类： python

 数据来源  --TTyb   2017-11-11  858  1833

 

 

本文基于 360 浏览器查看源码， python3.4 编码 ，爬虫基础须要学习的请看 爬虫教程。

淘宝天猫的网页反爬虫很严重，存在大量的 验证码 、 登录提示 、 浏览限制 等等机制，可是毕竟一山还有一山高，机器永远比不上人的聪明，因此我发现了一个抓取的方法。

任何网页存在反爬虫都是很棘手的，例如淘宝的反爬虫很严重。可是众所周知，手机端的页面每每比电脑端的页面好抓取，因此我打开了淘宝的手机端网页 https://m.taobao.com ，点击上面的搜索框，网页自动跳转：

此时 网址已经变化成：

https://s.m.taobao.com/h5?search-btn=&event_submit_do_new_search_auction=1&_input_charset=utf-8&topSearch=1&atype=b&searchfrom=1&action=home%3Aredirect_app_action&from=1 

F12 查看网址的表单，找到 Headers ，看到请求的 host 变成了 s.m.taobao.com ，请求携带的表单有：

清除表单的信息，鼠标往下拉，看下翻页的信息：

能够看到 get 的表单变成了：

event_submit_do_new_search_auction:1 _input_charset:utf-8 topSearch:1 atype:b searchfrom:1 action:home:redirect_app_action from:1 sst:1 n:20 buying:buyitnow m:api4h5 abtest:17 wlsort:17 style:list closeModues:nav,selecthot,onesearch page:2 

很明显的发现翻页的表单为 page ，数了一下每一页是 20 个商品的信息。这样就找到了翻页的部分。继续清除加载好的表单，搜索看一下：

查看获得请求头是：

event_submit_do_new_search_auction:1 _input_charset:utf-8 topSearch:1 atype:b searchfrom:1 action:home:redirect_app_action from:1 sst:1 n:20 buying:buyitnow q:Iphone 

我搜索的是 Iphone ，基本确认 keyword 是 q 了，再搜索 Ipad 看一下，表单为：

q:Ipad search:提交 tab:all 

每次请求的表单都不同，我把他们汇总在一块儿是这样子：

"event_submit_do_new_search_auction": "1", "search": "提交", "tab": "all", "_input_charset": "utf-8", "topSearch": "1", "atype": "b", "searchfrom": "1", "action": "home:redirect_app_action", "from": "1", "q": keyword, "sst": "1", "n": "20", "buying": "buyitnow", "m": "api4h5", "abtest": "30", "wlsort": "30", "style": "list", "closeModues": "nav,selecthot,onesearch", "page": page 

只要请求的 url 携带这些参数就能够了。其中查看头部知道：

Referer="http://s.m.taobao.com" Host="s.m.taobao.com" 

到这里其实就能够写代码了，可是发现表单中出现了一个 style:list ，敏感的嗅觉以为这里有猫腻，应该是展示的样式，因此我点击销量优先，发现 style:list 没变，可是增长了 sort:_sale ，这里会排序，再点其余发现以下信息：

综合排序sort:"" 销量优先sort:_sale 价格低到高sort:bid 价格高到低sort:_bid 信用排序sort:_ratesum 起始价格：start_price：价格 终止加个：end_price：价格 

既然这样已经找到请求表单，那么构造 python 爬虫代码，安装必要的爬虫库 pip3 install requests ，首先抓取首页保持爬虫连接，这个是为了使头部自动增长 cookie ：

headers = { "User-Agent": "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5" } session = requests.session() session.get("https://s.m.taobao.com/", headers=headers) 

根据抓取到的表单构造 getdata ：

getData = { "event_submit_do_new_search_auction": "1", "search": "提交", "tab": "all", "_input_charset": "utf-8", "topSearch": "1", "atype": "b", "searchfrom": "1", "action": "home:redirect_app_action", "from": "1", "q": keyword, "sst": "1", "n": "20", "buying": "buyitnow", "m": "api4h5", "abtest": "30", "wlsort": "30", "style": "list", "closeModues": "nav,selecthot,onesearch", "page": page } 

url 前缀 preUrl = "http://s.m.taobao.com/search?" ，升级头部使其携带 Referer 和 Host ：

# 升级头部 headers.update( dict(Referer="http://s.m.taobao.com", Host="s.m.taobao.com")) 

抓取网页：

# 抓取网页 aliUrl = session.get(url=preUrl, params=getData, headers=headers) 

输入关键词和页数，打印抓取下来的东西，竟然发现是 json ：

这样就很知足了，解析这段 json ：

dictInfo = json.loads(content.decode("utf-8", "ignore")) infoList = dictInfo["listItem"] 

因为我抓取的是 1 页，因此获得 20 个商品的 infoList ，infoList 里面的每一个元素都是一个字典，提取 dict 里面的店铺信息：

for dict in infoList: store = dict["nick"] print(store)