一只初学者级别的京东商城商品爬虫(爬取索尼微单的参数信息)

Posted reader-yu

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了一只初学者级别的京东商城商品爬虫(爬取索尼微单的参数信息)相关的知识,希望对你有一定的参考价值。

近期对摄影产生一些兴趣,所以就自己爬了一下京东商城上Canon微单的数据。爬虫爬取了商品价格以及详细参数信息。作为一个初学者,幸运或者不幸的是,由于爬虫性能较差,在以下的代码中我并没有用到反爬虫的问题,只熟悉Python下载与安装的朋友也可以放心食用这篇文章。

以下我记下了完整详细的爬虫制作过程,供新手朋友参考、高端玩家指正。


 

一、开发前的准备

开发环境:Python3.6+Jupyter notebook

爬取过程使用的库:requests+re+BeautifulSoup

数据存取以及清洗过程使用的库:pandas+matplotlib

对这些库不熟悉的可以查阅官方文档。搜索引擎搜一下就好。

另外,记得爬取前在浏览器输入https://www.jd.com/robots.txt查看爬虫协议。我们用的是requests库,这种爬虫很小,对网站很友好(一张网页一张网页的爬,效率低下),一般不会违法爬虫协议。

 

二、编写爬取某商品详细信息的函数

先附代码证明我不是在骗人。另外相信有经验的伙伴应该能感觉到这段代码的性能似乎有些问题。代码后是详细的分析过程。

 1 import requests
 2 from bs4 import BeautifulSoup
 3 import re
 4 
 5 def get_canon_details(uid):
 6     ‘‘‘函数返回一个列表,各数据依次为[‘价格‘, ‘上市时间‘,‘商品产地‘, ‘类型‘, 
 7     ‘商品毛重(kg)‘, ‘画幅‘, ‘用途‘, ‘品牌‘, ‘型号‘, ‘机身重量(g)‘, ‘尺寸(mm)‘, 
 8     ‘有效像素‘, ‘传感器类型‘, ‘传感器尺寸‘, ‘对焦系统‘, ‘高清摄像‘, ‘语言‘, ‘液晶屏尺寸‘,
 9     ‘液晶屏像素‘, ‘液晶屏类型‘, ‘取景器类型‘, ‘滤镜直径‘, ‘最大光圈‘, ‘白平衡模式‘, ‘ISO感光度‘,
10     ‘场景模式‘, ‘机身闪光灯‘, ‘外接闪光灯‘, ‘自拍‘, ‘连拍速度‘, ‘机身防抖‘, ‘延时拍摄‘, 
11     ‘遥控拍摄‘, ‘存储介质‘, ‘机身内存‘, ‘WiFi连接‘, ‘NFC‘, ‘蓝牙传输‘, ‘HDMI接口‘, ‘其它接口‘, 
12     ‘电池型号‘, ‘电池类型‘, ‘电池续航时间‘, ‘外接电源‘]:‘‘‘
13     #根据网页URL获得对应商品的UID并尽可能抓取信息。此处仅得到商品的品牌信息
14     #测试用例为url = "https://item.jd.com/4691332.html?dist=jd"
15     
16     #获取商品的价格
https://p.3.cn/prices/mgets?callback=jQuery8921309&type=1&area=1_72_2799_0&pdtk=&pduid=1532358136269191914663&pdpin=&pin=null&pdbp=0&skuIds=J_"+uid
18     price_text = requests.get(price_url)
19     PRICE = eval(re.compile(p":"(.*?)").findall(price_text.text)[1])
20     
21     #获取商品参数信息
22     introduction_url = "https://item.jd.com/"+uid+".html?dist=jd"
23     introduction = requests.get(introduction_url)
24     introduction = BeautifulSoup(introduction.text,lxml)
25     parameter = []
26     for k in range(0,len(introduction.find_all(dt,class_ = None))):
27         if introduction.find_all(dt,class_ = None)[k].i == None:
28             parameter.append(introduction.find_all(dt,class_=None)[k].text)
29     
30     value = []
31     for k in range(0,len(introduction.find_all(dd,class_ = None))):
32         if introduction.find_all(dd,class_=None)[k].a == None:
33             value.append(introduction.find_all(dd,class_=None)[k].text)
34     value = value[:len(parameter)-len(value)]
35     Para_Val = dict()
36     for i,j in zip(parameter,value):
37         Para_Val[i] = j
38     
39     Para_Val[价格] = PRICE
40     ANSER = []
41     for i in[价格, 上市时间,商品产地, 类型, 商品毛重(kg), 画幅, 用途, 品牌, 型号, 机身重量(g), 尺寸(mm), 有效像素, 传感器类型, 传感器尺寸, 对焦系统, 高清摄像, 语言, 液晶屏尺寸, 液晶屏像素, 液晶屏类型, 取景器类型, 滤镜直径, 最大光圈, 白平衡模式, ISO感光度, 场景模式, 机身闪光灯, 外接闪光灯, 自拍, 连拍速度, 机身防抖, 延时拍摄, 遥控拍摄, 存储介质, 机身内存, WiFi连接, NFC, 蓝牙传输, HDMI接口, 其它接口, 电池型号, 电池类型, 电池续航时间, 外接电源]:
42         if i in Para_Val:
43             ANSER.append(Para_Val[i])
44         else:
45             ANSER.append(None)  
46     return ANSER

 

首先明确这一阶段的目标。我希望可以获取京东商城上某一个商品的详细信息,包括相机的价格以及详细参数(参见代码中三引号里的内容)。完成这个过程后,再将它包装成一个函数。

2.1、获取商品价格信息。

首先分析一下京东售卖页面的结构。在Chrome中打开京东,搜索微单,点进某一个具体商品的页面。按F12进入开发者模式。之后的操作见以下的GIF。技术分享图片

 

这是我们发现价格在网页源码中对应的部分后面有“== $ 0”,不祥的预感在我心头萦绕。果然,价格信息使用的方式是异步加载,也就是说,利用requests库获得的url为"https://item.jd.com/4691332.html?dist=jd"中,并不含有我们所需要的价格信息,价格信息隐藏在另外一个url里。如何找到这个url呢?看下面这个动图。

 

技术分享图片

 

这时需要一点耐心,输入3399并搜索(动图中输入框里直接有3399,是因为我之前输入过),在结果中找到价格存放的真正位置。就是动图最后我要复制的部分。url为:https://p.3.cn/prices/mgets?callback=jQuery6781865&type=1&area=1&pdtk=&pduid=1532358136269191914663&pdpin=&pin=null&pdbp=0&skuIds=J_4691332%2CJ_1596435%2CJ_4843047%2CJ_4682641%2CJ_1070080%2CJ_7361135%2CJ_1225383%2CJ_3576104%2CJ_5268940%2CJ_2342146&ext=11100000&source=item-pc

有点长,可见应当是可以删去一部分修饰的。注意到商品网址里有一串数字“4691332”,可以猜测这段数字是和商品一一对应的,所以而上面这段代码也有“4691332”,那么这串字符后面的都删掉。得到url:"https://p.3.cn/prices/mgets?callback=jQuery8921309&type=1&area=1_72_2799_0&pdtk=&pduid=1532358136269191914663&pdpin=&pin=null&pdbp=0&skuIds=J_4691332"。输入浏览器里看一眼,确实有价格信息。怎么取出来呢?先用requests库的get方法获得这个url里的信息并且存入price_text中,再用.text取出price_text中的文本信息,最后用正则表达式匹配出价格,再用eval函数把价格数据类型由字符型改为数值型即可。对应代码在第16~19行。

2.2、获取商品的参数信息。

用上面第二张动图类似的方法,在输入框输入“基本参数”并搜索,找到商品详细参数对应的url:"https://item.jd.com/4691332.html?dist=jd"。用requests.get把它的信息读下来,再用BeautifulSoup把它整理一下并存入变量introduction中。在jupyter中看一看结果。看图:↓↓↓可以认为<dt>标签里存放参数名称,<dd>标签里存放参数值。技术分享图片

考验BeautifulSoup技能熟练度的时刻到了,不会的去查文档哈,好像中文版挺多的。

这里我们遇到的麻烦在于,<dt>标签包含的不仅只有参数名称,还有其它乱七八糟的东西。我的解决方法是加限制限制要找的信息必须满足没有class且不含<i>标签;对<dd>要麻烦一丢丢,限制不含class且不含<a>标签后,发现最后总是有一项多余数据在列表尾部,将最后一项去除。这时我们就可以得到两个列表,我把它们拼成字典。(“这样一来取用比较方便,只需要规定键的列表,就可以规定得到返回值的顺序”)

2.3把上面的内容整理成函数。

经过上面两个步骤,函数主体成型了。输入参数选择什么呢?我们回顾一下用到的两个url:

‘https://item.jd.com/4691332.html?dist=jd‘

‘https://p.3.cn/prices/mgets?callback=jQuery8921309&type=1&area=1_72_2799_0&pdtk=&pduid=1532358136269191914663&pdpin=&pin=null&pdbp=0&skuIds=J_4691332‘

稍微测试就可以发现,对于别的商品,只要将上面两个url中的数字串改成商品对应的数字串,就能得到对应结果。因此我们选择输入参数为该数字串,命名为uid。至此,我们就完成了根据商品uid获取商品价格及参数信息的函数。只需要再获取大量的商品url(或uid),就可以大量爬取商品详细信息。

三、批量获取商品url

在京东上搜索佳能微单,发现有47页的商品,用下面的代码批量爬下来~

 1 import requests
 2 import re
 3 from bs4 import BeautifulSoup
 4 from get_details import get_canon_details
 5 def get_canon_url(k):
 6     res = requests.get("https://list.jd.com/list.html?cat=652,654,5012&ev=exbrand_8983&page="+str(k))
 7     soup = BeautifulSoup(res.text,lxml)
 8     url_set = set()
 9     for i in range(1,len(soup.find_all("ul",class_  ="gl-warp clearfix")[0].select(a[target]))):
10         url_set.add(soup.find_all("ul",class_  ="gl-warp clearfix")[0].select(a[target])[i].get(href))
11     return list(url_set)
12 
13 url_list = []
14 for k in range(1,48):
15     url_list.extend(get_canon_url(k))

 

用这段代码,跑一会等结果。中间还可以打个小游戏啥的。不详细解释了,思路和用到的方法都跟上面差不多。(主要是博主写累了233)

四、爬取并存盘

全部怕下来之前,先看看效率。如下图,效率很低。两千多条数据全部下载大概需要两个小时。可以通过改读入的url_list长度改变下载数据的数目。

 1 %%time
 2 
 3 camera = []
 4 for item in url_list[1:10]:
 5     uid = re.compile(".com/(.*?).html").findall(item)
 6     if uid:
 7         all_information = [item]
 8         all_information.extend(get_canon_details(uid[0]))
 9         camera.append(all_information)
10     else:
11         continue
12 
13 #Wall time: 25.6 s

接下来要把文件下载到本地,不然每次都爬实在太麻烦。代码:

1 import pandas
2 df = pandas.DataFrame(camera,columns = [网址,价格, 上市时间,商品产地, 类型, 商品毛重(kg), 画幅, 用途, 品牌, 型号, 机身重量(g), 尺寸(mm), 有效像素, 传感器类型, 传感器尺寸, 对焦系统, 高清摄像, 语言, 液晶屏尺寸, 液晶屏像素, 液晶屏类型, 取景器类型, 滤镜直径, 最大光圈, 白平衡模式, ISO感光度, 场景模式, 机身闪光灯, 外接闪光灯, 自拍, 连拍速度, 机身防抖, 延时拍摄, 遥控拍摄, 存储介质, 机身内存, WiFi连接, NFC, 蓝牙传输, HDMI接口, 其它接口, 电池型号, 电池类型, 电池续航时间, 外接电源])
3 df["网址"]="https:"+df["网址"]
4 
5 df = df[df["价格"]>1000]
6 #之所以加这一条,是因为京东页面里会有大量的配件(价格一般小于1000)我们把它去掉
7 
8 df.to_excel("camera.xlsx", merge_cells=False)

五、基本的数据整理

现在我们从下载的本地文件里读入数据:

# -*- coding=gbk -*-
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
data = pd.read_csv("camera.csv",engine=python)
del data["Unnamed: 0"]

画价格分布图:

 1 %matplotlib inline
 2 import matplotlib.pyplot as plt
 3 from pylab import *
 4 mpl.rcParams[font.sans-serif] = [SimHei]
 5 fig = plt.figure()
 6 price = fig.add_subplot(111)
 7 price.hist(data[data["价格"]<10000]["价格"])
 8 plt.xlabel("价格")
 9 plt.ylabel("数目")
10 plt.title("CANON万元以下微单价格分布图(数据来源:京东)")

将像素数据改为数值型并处理缺失值:(这里弹出一个警告,博主没有能够解决)

1 import re
2 for i in range(0,len(data["有效像素"])):
3     if type(data["有效像素"][i]) == str:
4         if len(re.findall("d+",data["有效像素"][i])):
5             data["有效像素"][i] = eval(re.findall("d+",data["有效像素"][i])[0])
6         else:
7             data["有效像素"][i] = 0

好啦,我我爬取京东微单的经历和经验就分享到这里,希望一起入坑Python的朋友能看的顺利,一起加油吧!

 

以上是关于一只初学者级别的京东商城商品爬虫(爬取索尼微单的参数信息)的主要内容,如果未能解决你的问题,请参考以下文章

python制作爬虫爬取京东商品评论教程

京东商城大规模爬虫的开发

爬取了京东商城上的部分手机评论数据,仅供学习使用

Scrapy实战---Scrapy对接selenium爬取京东商城商品数据

如何用爬虫抓取京东商品评价

如何用爬虫抓取京东商品评价