想知道「双十一」淘宝商家销售数据？快来看看！！！

爬取淘宝商家货物简单销售数据（销量，价格，销售地，货物名称）

养成好习惯：文中文末的小广告点一点

爬取淘宝店家数据信息

爬取淘宝商家货物简单销售数据（销量，价格，销售地，货物名称）
- 一、登录淘宝，获取Cookies
- 二、输入关键字，翻动页码，查看源码以及回应内容的变化。并请求数据
- 三、分析数据网页源码，获取数据
- 四、存储数据，并将数据按照销量降序排列

前天接一个爬取淘宝商家（自行车）信息的请求，要求数据按照其销售量排行。

完成该请求后，爬取数据（李宁卫衣）如下：

接下来看如何实现的？

首先打开淘宝网：https://www.taobao.com/，在搜索栏输入自行车，结果发现页面转跳到https://login.taobao.com/member/login.jhtml 淘宝登录页面，要求登录才能进行关键字搜索获取数据。（需要登录的时候应当想到cookies）

cookies 及其用处：
当我们登录某网站时，服务器会生成一个cookies，包含有用户登录等信息，与当前账号绑定，浏览器将此cookies存储到。下一次，浏览器带着cookies访问网站，就不需要在输入账号密码。注意cookies是有时效性的。

所以，目标明确，第一步，获取用户登录的cookies

一、登录淘宝，获取Cookies

需要登录淘宝页面获取cookies，才能执行后续操作。而模拟登录有两种方法：

搞清淘宝登录机制，修改参数登录。
使用selenium调用webdriver模块，模拟人真实的操作浏览器。

方法一：直接看源码+备注

import requests
import re
import json
import time
import 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',
    # 标记了请求从什么设备，什么浏览器上发出
}


session  = requests.session()
login_url = 'https://login.taobao.com/newlogin/login.do'


#自己手动登录一次，在参数页面把所有参数复制过来替换掉，看下图
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) #带着这些参数再登录一次爬取数据


#获取st码申请地址
token_json = login_res.json()
st_url = token_json['content']['data']['asyncUrls'][0]  #st码的申请地址
print('验证用户名和密码成功')


#通过st码申请地址获取st码
st_res = requests.get(st_url,headers=headers)
st_code_text = st_res.text
st_code = st_code_text[579:-270]  #获取st码，自己发现的规律，可以这么提取，也可以使用正则表达式
print('获取st码成功，st码：{}'.format(st_code))




#获取登录跳转链接
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('登录淘宝成功，跳转链接：{}'.format(my_taobao.group(1)))
my_taobao_url = my_taobao.group(1)


#登录
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('登录淘宝成功，你的用户名是：{}'.format(nick_name.group(1)))
username = nick_name.group(1)


# 获取cookies，将cookies转成字典，再将字典转成字符串，保存到文件夹中
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，具有时效性。
print('cookie已经完成序列化')  
f.close()

在自行登录以后，把参数都复制到Data里替换掉代码中的data就可以。

方法二：使用selenium调用webdriver模块（自己写的，所以解释详细点）

前提是安装了Chorm driver插件

Chorm插件下载地址：http://npm.taobao.org/mirrors/chromedriver/2.44/

下载完成后，解压到python根目录下即可。

driver可以模拟人在目标栏目输入，也可以模拟人对按钮进行点击。

对登录页面以及源码进行分析：发现：

帐号输入框对应：
<input name="fm-login-id" type="text" class="fm-text" id="fm-login-id" tabindex="1" aria-label="会员名/邮箱/手机号" placeholder="会员名/邮箱/手机号" autocapitalize="off">
密码输入框对应：
<input name="fm-login-password" type="password" class="fm-text" id="fm-login-password" tabindex="2" aria-label="请输入登录密码" placeholder="请输入登录密码" maxlength="40" autocapitalize="off">
登录按钮栏目对应：
<button type="submit" tabindex="3" class="fm-button fm-submit password-login">登录</button>

所以，代码如下：在账号密码框里输入内容，点击登录进行登录

from selenium import webdriver#调用webdriver模块


driver = webdriver.Chrome()#设置引擎为Chrome，模拟真实地打开一个浏览器
driver.get('https://login.taobao.com/member/login.jhtml')  #打开这个链接
time.sleep(1) #等待一秒钟，模拟真人操作




## 运行代码之前输入自己的账号和密码
user = driver.find_element_by_name('fm-login-id')
user.send_keys('这里输入自己的账号')  #在fm-login-id对应框中输入账号
time.sleep(1)
assistant = driver.find_element_by_name('fm-login-password')
assistant.send_keys('这里输入自己的密码')
time.sleep(1)
submit = driver.find_element_by_class_name('fm-btn')  #点击登录按钮
submit.click()#登录
time.sleep(5)
cookie_list = driver.get_cookies() #登录以后获取cookie
cookies = {}
print(len(cookie_list))
for cookie in cookie_list:
    cookies[cookie['name']] = cookie['value']  #将cookies字典化
print("已经成功的获取到用户登录的cookies")
print(cookies)
driver.close()

注意，有时候登录时需要滑动滑块，手动滑动登录即可。

到此用户操作所用cookies的已经获取，这时候就可以搜索关键字了

二、输入关键字，翻动页码，查看源码以及回应内容的变化。并请求数据

进入搜索页：https://s.taobao.com/search? 输入关键字，观察url变化

我们发现q参数对应着搜索内容。然后翻动页面，来到第二页，观察url变化，发现变化的有s参数

研究多个页面发现，url需要修改的参数只有q与s。

在翻页的过程中，发现我们所需要的内容在Response的第0个回应中，即存在于Element中，所以只要获取到该网页的源码，就可以获取到数据。

所以使用https://s.taobao.com/search?q=自行车&s=88 这个格式（q表示搜索的关键字，s*44代表页数）的链接就可以访问带有数据的源码。

所以代码如下：

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)  #带有前面获取的cookies

三、分析数据网页源码，获取数据

这是我爬取的一个李宁卫衣的网页源码，发现重要信息保存在一个大字典：g_page_config中

所以我们可以通过正则表达式获取这个大字典，然后逐一提取各数据。或者直接正则各数据提取，我们采用第二种方法。

#创建正则表达式
titles = '"raw_title":"(.*?)"'       #标题
locations = '"item_loc":"(.*?)"'    #销售地
sales = '"view_sales":"(.*?)人付款"' #销售量
comments = '"comment_count":"(.*?)"'#评论数
prices = '"view_price":"(.*?)"'     #销售价格
nids = '"nid":"(.*?)"'          #这里需要nid，是因为商品的链接是需要这个参数的  




#res.text表示网页源码，在其中匹配正则
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)

到这里已经把所有有效数据存储到title，location等变量中。它们均为字符串列表

四、存储数据，并将数据按照销量降序排列

使用csv保存数据

csv_file = open(r'文件保存路径','w',newline='',encoding='utf-8-sig')
writer = csv.writer(csv_file)
writer.writerow(['商品名称','销售地','销售量','评论数','销售价格','商品链接'])
#后续写入即可

因为要求数据要根据销量降序排列，而销量数据格式为字符串。分析源码，发现源码中销量的表示一般有’8000+’、‘1.6万+’、‘784’这几种表示。即如果销量小于10000，则按照 ‘具体数字’ 或 ‘具体数字+’ 这样表示，如’845’、‘3500+’，如果数据大于一万，则会在后续加个万字，如’1.6万+’,‘5.8万’，强转为float时需要做判断：

所以，通过条件判断语句和if else判断：

sale[j] = sale[j]  if sale[j][-1] !='+'  else sale[j][:-1]  #判断最后一位是不是+，如果是，就删掉
if sale[j][-1] == '万':
    data.append([ title[j],location[j],float(sale[j][:-1])*10000,comment[j],price[j],goods_url ]) #如果最后一位是万，去掉最后一位，乘以10000即可
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个元素，即销量进行排序
data.reverse()#按照销量进行排序

还有一个发现就是，商品的链接与nid是有关系的，具体关系如下：

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

到此代码已经分析完毕，源码如下，登录时修改自己的账号密码，以及文件的保存路径即可：

import time
import requests
import json
import re
from selenium import webdriver#调用webdriver模块
import csv
from operator import itemgetter
## 在这里设置下爬取结果文件保存的路径
csv_file = open(r'C:\Users\13426\Desktop\demo.csv','w',newline='',encoding='utf-8-sig')
writer = csv.writer(csv_file)


driver = webdriver.Chrome()#设置引擎为Chrome，模拟真实地打开一个浏览器
driver.get('https://login.taobao.com/member/login.jhtml')
time.sleep(1)




## 运行代码之前输入自己的账号和密码
user = driver.find_element_by_name('fm-login-id')
user.send_keys('输入自己的账号')
time.sleep(1)
assistant = driver.find_element_by_name('fm-login-password')
assistant.send_keys('输入自己的密码')
time.sleep(1)
submit = driver.find_element_by_class_name('fm-btn')
submit.click()#登录
time.sleep(5)
cookie_list = driver.get_cookies()
cookies = {}
print(len(cookie_list))
for cookie in cookie_list:
    cookies[cookie['name']] = cookie['value']
print("已经成功的获取到用户登录的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":"(.*?)"'       #标题
locations = '"item_loc":"(.*?)"'    #销售地
sales = '"view_sales":"(.*?)人付款"' #销售量
comments = '"comment_count":"(.*?)"'#评论数
prices = '"view_price":"(.*?)"'     #销售价格
nids = '"nid":"(.*?)"'          #这里需要nid，是因为商品的链接是需要这个参数的  
writer.writerow(['商品名称','销售地','销售量','评论数','销售价格','商品链接'])






key = input('输入想要爬取的商品名称：')
Page = 5 # 爬取的页数 ，可以自行修改
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] == '万':
            data.append([ title[j],location[j],float(sale[j][:-1])*10000,comment[j],price[j],goods_url ]) #如果最后一位是万，去掉最后一位，乘以10000即可
        else:
            data.append([ title[j],location[j],float(sale[j]),comment[j],price[j],goods_url ])


    print('-------Page%s 已经抓取完毕!--------\n\n'%(i+1))
    time.sleep(2)
data.sort(key=itemgetter(2))
data.reverse()#按照销量进行排序  
for j in range(len(data)):
    writer.writerow(data[j])

正文结束！！！！

来一杯饮料放松放松

欢迎关注公众号：Python爬虫数据分析挖掘，方便及时阅读最新文章

记录学习python的点点滴滴；

回复【开源源码】免费获取更多开源项目源码；

公众号每日更新python知识和【免费】工具；

本文已同步到【开源中国】、【腾讯云社区】、【CSDN】；

posted @ 2020-11-11 09:49 Python研究者阅读(441) 评论(0) 编辑收藏举报

刷新页面返回顶部

Python研究者