淘宝商品列表以及商品详情数据抓取
Posted 小肥羊的博客
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了淘宝商品列表以及商品详情数据抓取相关的知识,希望对你有一定的参考价值。
前段时间老师让我爬取淘宝的商品列表以及其商品详情数据,期间遇到了很多问题。最困难的就是淘宝的价格数据是以Ajax异步加载的,这些数据暂时还没有能力获取到。
下面介绍一下基本思路。
首先,通过抓取商品列表的商品ID获取商品的身份标识,然后根据商品ID跳转到具体的商品列表,对其他属性进行抓取。
观察两条商品列表的URL:
https://s.taobao.com/search?q=帽子&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170806&bcoffset=7&ntoffset=7&p4ppushleft=1%2C48&s=0
https://s.taobao.com/search?q=帽子&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170806&bcoffset=4&ntoffset=4&p4ppushleft=1%2C48&s=44
https://s.taobao.com/search?q=帽子&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170806&bcoffset=4&ntoffset=4&p4ppushleft=1%2C48&s=88
这是前三个页面的URL,可以发现,除了"q="和"s="后面的数据不一样,其他的都是一样的,因此,可以把URL简化为:
https://s.taobao.com/search?q=keyword&s=pagenum
其中,q代表搜索的关键词,s代表商品列表的页数,0代表第一页,44代表第二页,88代表第三页……
先以此URL抓取商品的ID等信息。
代码如下。
import re import requests from pandas import * from collections import OrderedDict def getDetails(startpage,endpage): #如果需要爬取具体的商品详情,页数过多可能会出现异常,此函数可以用来控制一次爬取的页数 url_head=‘https://s.taobao.com/search?q=帽子&s=‘ #这是淘宝搜索列表的url前面的相同部分,q=‘‘代表搜索的关键词,s=‘‘代表第几页,s=0为第1页s=44为第二页,以此类推 url_list=[url_head+str(i*44) for i in range(startpage-1,endpage)] #生成需要爬取的商品列表url #定义存储商品列表数据数据的列表 nid_list=[] raw_title_list=[] view_price_list=[] view_sales_list=[] item_loc_list=[] for url in url_list: resp=requests.get(url) print(resp.url) nid=re.findall(pattern=‘"nid":"(.*?)"‘,string=resp.text) #商品id,唯一,可以此跳转到其商品详情页面,然后进行其他信息的抓取 raw_title=re.findall(pattern=‘"raw_title":"(.*?)"‘,string=resp.text) #商品名称 view_price=re.findall(pattern=‘"view_price":"(.*?)"‘,string=resp.text) #商品价格 view_sales=re.findall(pattern=‘"view_sales":"(.*?)"‘,string=resp.text) #商品销量 item_loc=re.findall(pattern=‘"item_loc":"(.*?)"‘,string=resp.text) #发货地址 #逐个存储 nid_list.extend(nid) raw_title_list.extend(raw_title) view_price_list.extend(view_price) view_sales_list.extend(view_sales) item_loc_list.extend(item_loc) #生成数据框 dt={‘商品id‘:nid_list,‘商品名称‘:raw_title_list,‘商品价格‘:view_price_list, ‘商品销量‘:view_sales_list,‘商品发货地址‘:item_loc_list} df=DataFrame(dt) #根据字典生成数据框 #写入Excel writer1=ExcelWriter("taobao_details.xlsx") #新建一个空白Excel工作簿 df.to_excel(writer1,"Sheet1") #将df写入Sheet1工作表 writer1.save()
上述代码可以获取到商品ID、商品名称、商品价格、商品销量、发货地址信息。接下来,利用商品ID信息,跳转到具体的商品详情页面,对其他属性进行抓取。
对其他属性的抓取,主要着眼于两个方面。一个是商品的描述、服务于物流评分,这个虽然淘宝与天猫的html页面有所差别,但是获取方式大同小异。另外,所有的商品详情都放在了一个列表里面,因此用beautifulsoup提取十分方便。
抓取淘宝商品详情的代码如下:
def getTaoBaoDetails(url): import requests import re from bs4 import BeautifulSoup # from pandas import DataFrame from collections import OrderedDict res=requests.get(url) soup=BeautifulSoup(res.text,"html.parser") dd=soup.select(".tb-shop-rate dd") #获取描述、服务、物流的数字信息,该信息存放在一个列表,需要使用正则表达式提取 dd_value=[] if len(dd)>0: try: for d in range(0,3): dd_value.append(re.search(pattern=r‘[\s]*([0-9]\.[0-9])[\s]*‘,string=dd[d].text).group(1)) except IndexError as err: print(res.url) #下面的语句获取属性列表 attrs=soup.select(".attributes-list li") attrs_name=[] attrs_value=[] for attr in attrs: attrs_name.append(re.search(r‘(.*?):[\s]*(.*)‘,attr.text).group(1)) attrs_value.append(re.search(r‘(.*?):[\s]*(.*)‘,attr.text).group(2)) allattrs=OrderedDict() #存放该产品详情页面所具有的属性 for k in range(0,len(attrs_name)): allattrs[attrs_name[k]]=attrs_value[k] info=OrderedDict() #存放该商品所具有的全部信息 #下面三条语句获取描述、服务、物流的评分信息 if len(dd_value)>0: info[‘描述‘]=dd_value[0] info[‘服务‘]=dd_value[1] info[‘物流‘]=dd_value[2] else: info[‘描述‘]=‘NA‘ info[‘服务‘]=‘NA‘ info[‘物流‘]=‘NA‘ #下面的语句用来判断该商品具有哪些属性,如果具有该属性,将属性值插入有序字典,否则,该属性值为空 #适用场景 if ‘适用场景‘ in attrs_name: info[‘适用场景‘]=allattrs[‘适用场景‘] else: info[‘适用场景‘]=‘NA‘ #适用对象 if ‘适用对象‘ in attrs_name: info[‘适用对象‘]=allattrs[‘适用对象‘] else: info[‘适用对象‘]=‘NA‘ #款式 if ‘款式‘ in attrs_name: info[‘款式‘]=allattrs[‘款式‘] else: info[‘款式‘]=‘NA‘ #尺码 if ‘尺码‘ in attrs_name: info[‘尺码‘]=allattrs[‘尺码‘] else: info[‘尺码‘]=‘NA‘ #帽顶款式 if ‘帽顶款式‘ in attrs_name: info[‘帽顶款式‘]=allattrs[‘帽顶款式‘] else: info[‘帽顶款式‘]=‘NA‘ #帽檐款式 if ‘帽檐款式‘ in attrs_name: info[‘帽檐款式‘]=allattrs[‘帽檐款式‘] else: info[‘帽檐款式‘]=‘NA‘ #檐形 if ‘檐形‘ in attrs_name: info[‘檐形‘]=allattrs[‘檐形‘] else: info[‘檐形‘]=‘NA‘ #主要材质 if ‘主要材质‘ in attrs_name: info[‘主要材质‘]=allattrs[‘主要材质‘] else: info[‘主要材质‘]=‘NA‘ #人群 if ‘人群‘ in attrs_name: info[‘人群‘]=allattrs[‘人群‘] else: info[‘人群‘]=‘NA‘ #品牌 if ‘品牌‘ in attrs_name: info[‘品牌‘]=allattrs[‘品牌‘] else: info[‘品牌‘]=‘NA‘ #风格 if ‘风格‘ in attrs_name: info[‘风格‘]=allattrs[‘风格‘] else: info[‘风格‘]=‘NA‘ #款式细节 if ‘款式细节‘ in attrs_name: info[‘款式细节‘]=allattrs[‘款式细节‘] else: info[‘款式细节‘]=‘NA‘ #颜色分类 if ‘颜色分类‘ in attrs_name: info[‘颜色分类‘]=allattrs[‘颜色分类‘] else: info[‘颜色分类‘]=‘NA‘ #适用季节 if ‘适用季节‘ in attrs_name: info[‘适用季节‘]=allattrs[‘适用季节‘] else: info[‘适用季节‘]=‘NA‘ #适用年龄 if ‘适用年龄‘ in attrs_name: info[‘适用年龄‘]=allattrs[‘适用年龄‘] else: info[‘适用年龄‘]=‘NA‘ return info
抓取天猫商品详情的代码如下:
def getTmallDetails(url): import requests import re from bs4 import BeautifulSoup # from pandas import DataFrame from collections import OrderedDict res=requests.get(url) soup=BeautifulSoup(res.text,"html.parser") # dt=soup.select(".tb-shop-rate dt") #获取描述、服务、物流的文本信息,该信息存放在一个列表,需要使用正则表达式提取 dd=soup.select(".shop-rate ul li") #获取描述、服务、物流的数字信息,该信息存放在一个列表,需要使用正则表达式提取 # dt_name=[] dd_value=[] # for t in range(0,3): # dt_name.append(dt[t].text) if len(dd)>0: for d in dd: dd_value.append(re.search(r‘([0-9][.][0-9])‘,d.text).group()) #下面的语句获取属性列表 attrs=soup.select(‘#J_AttrUL li‘) attrs_name=[] attrs_value=[] for attr in attrs: attrs_name.append(re.search(r‘(.*?):[\s]*(.*)‘,attr.text).group(1)) attrs_value.append(re.search(r‘(.*?):[\s]*(.*)‘,attr.text).group(2)) allattrs=OrderedDict() #存放该产品详情页面所具有的属性 for k in range(0,len(attrs_name)): allattrs[attrs_name[k]]=attrs_value[k] info=OrderedDict() #存放该商品所具有的全部信息 #下面三条语句获取描述、服务、物流的评分信息 if len(dd_value)>0: info[‘描述‘]=dd_value[0] info[‘服务‘]=dd_value[1] info[‘物流‘]=dd_value[2] else: info[‘描述‘]=‘NA‘ info[‘服务‘]=‘NA‘ info[‘物流‘]=‘NA‘ #下面的语句用来判断该商品具有哪些属性,如果具有该属性,将属性值插入有序字典,否则,该属性值为空 #适用场景 if ‘适用场景‘ in attrs_name: info[‘适用场景‘]=allattrs[‘适用场景‘] else: info[‘适用场景‘]=‘NA‘ #适用对象 if ‘适用对象‘ in attrs_name: info[‘适用对象‘]=allattrs[‘适用对象‘] else: info[‘适用对象‘]=‘NA‘ #款式 if ‘款式‘ in attrs_name: info[‘款式‘]=allattrs[‘款式‘] else: info[‘款式‘]=‘NA‘ #尺码 if ‘尺码‘ in attrs_name: info[‘尺码‘]=allattrs[‘尺码‘] else: info[‘尺码‘]=‘NA‘ #帽顶款式 if ‘帽顶款式‘ in attrs_name: info[‘帽顶款式‘]=allattrs[‘帽顶款式‘] else: info[‘帽顶款式‘]=‘NA‘ #帽檐款式 if ‘帽檐款式‘ in attrs_name: info[‘帽檐款式‘]=allattrs[‘帽檐款式‘] else: info[‘帽檐款式‘]=‘NA‘ #檐形 if ‘檐形‘ in attrs_name: info[‘檐形‘]=allattrs[‘檐形‘] else: info[‘檐形‘]=‘NA‘ #主要材质 if ‘主要材质‘ in attrs_name: info[‘主要材质‘]=allattrs[‘主要材质‘] else: info[‘主要材质‘]=‘NA‘ #人群 if ‘人群‘ in attrs_name: info[‘人群‘]=allattrs[‘人群‘] else: info[‘人群‘]=‘NA‘ #品牌 if ‘品牌‘ in attrs_name: info[‘品牌‘]=allattrs[‘品牌‘] else: info[‘品牌‘]=‘NA‘ #风格 if ‘风格‘ in attrs_name: info[‘风格‘]=allattrs[‘风格‘] else: info[‘风格‘]=‘NA‘ #款式细节 if ‘款式细节‘ in attrs_name: info[‘款式细节‘]=allattrs[‘款式细节‘] else: info[‘款式细节‘]=‘NA‘ #颜色分类 if ‘颜色分类‘ in attrs_name: info[‘颜色分类‘]=allattrs[‘颜色分类‘] else: info[‘颜色分类‘]=‘NA‘ #适用季节 if ‘适用季节‘ in attrs_name: info[‘适用季节‘]=allattrs[‘适用季节‘] else: info[‘适用季节‘]=‘NA‘ #适用年龄 if ‘适用年龄‘ in attrs_name: info[‘适用年龄‘]=allattrs[‘适用年龄‘] else: info[‘适用年龄‘]=‘NA‘ return info
最后,将所获取的信息合并在一起,输出为Excel:
url_start=‘https://item.taobao.com/item.htm?id=‘ info_df=DataFrame() for id in nid_list: url_detail=url_start+str(id) res=requests.get(url_detail) if not isnull(re.search(‘tmall‘,res.url)): detial=getTmallDetails(url_detail) else: detial=getTaoBaoDetails(url_detail) detial[‘商品id‘]=id info_df=info_df.append(detial,ignore_index=True) writer2=ExcelWriter("detail.xlsx") info_df.to_excel(writer2,"Sheet1") writer2.save()
上述代码应该与第一部分的代码合并在一起,这样会同时输出两个Excel,如果每10个页面输出一次,则需要对输出的Excel重命名,否则下一次输出会覆盖前一次的数据。
以上是关于淘宝商品列表以及商品详情数据抓取的主要内容,如果未能解决你的问题,请参考以下文章