Python-使用requests库和正则表达式爬取淘宝商品信息

〇、环境

　　语言版本：python 3.8.3

　　编辑器：IDLE（python自带）

　　操作系统：win10

 

一、需求

　　1、获取taobao指定商品页面中的 价格和名称，这里以书包为例子。

　　

 

 

 

　　2、格式化输出

　　

 

 

 

二、分析

　　1、taobao商品页面的源代码组织形式

　　　　在商品页右键查看源代码，然后根据商品价格和商品名搜索，会发现 商品名前有“raw_title”键，价格前有“view_price”键；

　　　　依此，获取本页面的html之后，我们可以很方便的用正则表达式获取想要信息。

　　　　

 

 

 

　　2、障碍及其解决

　　　　淘宝的反爬虫机制，会使得未登录则不可访问，所以我们得先登录，并获取cookie

　　　　

 

 

 

三、编码实现

　　0、引入需要的库

　　　　import requests

　　　　import re

　　　　#requests库是网络请求库，需要提前安装（在命令行窗口以：pip install requests）

 

　　1、获取商品页的html代码

 1 def getHTMLText(url):
 2     try:
 3         #本header中需要有cookie和user-agent字段
 4         #cookie是为了模拟登录，user-agent是为了模拟某些浏览器发起的请求
 5         
 6         header = {'cookie':'刚刚获取的cookie复制到此','user-agent':'Mozilla/5.0'}
 7         r = requests.get(url,timeout=30,headers = header)
 8         r.raise_for_status()
 9         r.encoding = r.apparent_encoding
10         return r.text
11     except:
12         return ""

 

　　2、处理html代码，获取商品信息

 1 def parsePage(ilt,html):
 2     try:
 3         #使用正则表达式获取价格和商品名
 4         
 5         plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
 6         tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
 7         for i in range(len(plt)):
 8             price = eval(plt[i].split(':')[1])
 9             title = eval(tlt[i].split(':')[1])
10             ilt.append([price,title])
11     except:
12         print("")

 

　　3、格式化打印输出

1 def printGoodsList(ilt):
2     #使用format()函数，格式话打印
3     
4     tplt = "{:4}\t{:8}\t{:16}"
5     print(tplt.format("序号","价格","商品名称"))
6     count = 0
7     for g in ilt:
8         count = count+1
9         print(tplt.format(count,g[0],g[1]))

 

posted @ 2020-05-30 15:18  Drajun  阅读(1225)  评论(0)  编辑  收藏  举报