Python爬取淘寶商品詳情頁數據

  在講爬取淘寶詳情頁數據之前，先來介紹一款 Chrome 插件：Toggle JavaScript (它可以選擇讓網頁是否顯示 js 動態加載的內容)，如下圖所示：

當這個插件處於關閉狀態時，待爬取的頁面顯示的數據如下:

當這個插件處於打開狀態時，待爬取的頁面顯示的數據如下:

  可以看到，頁面上很多數據都不顯示了，比如商品價格變成了劃線價格，而且累計評論也變成了0，說明這些數據都是動態加載的，以下演示真實價格的找法(評論內容找法類似)，首先檢查頁面元素，然後點擊Network選項卡，刷新頁面，可以看到很多動態加載的數據，在裏面找到包含商品價格的鏈接(可以使用Ctrl+f查找)，如下圖所示:

  將此鏈接在新的標籤頁打開，如下圖所示，可以看到，被禁止訪問了，所以爬取的時候要在headers中加上Referer字段告訴服務器你是從哪個頁面鏈接過來的，Referer字段可以在這裏查看:

評論數據的鏈接可以直接訪問(和價格信息找法類似)，這裏我知己去訪問它，如下圖所示:

  可以看到評論信息總共有7頁，而且都是json格式的數據，所以可以用json反序列化去抽取數據，當然也可以用正則表達式，下面我將演示用正則去抽取數據，因爲評論數據過多，這裏只抓取第一頁，如果需要所有評論數據，可以循環構造url，只需要修改currentPage參數的值就行。程序源碼如下:

# filename:spider_taobao.py
#!/usr/bin/env python
# -*- coding=utf-8 -*-

import re
import urllib2

def spider_taobao(url):

    headers = {
        'Accept':'application/json, text/plain, */*',
        'Accept-Language':'zh-CN,zh;q=0.3',
        'Referer':'https://item.taobao.com/item.htm',
        'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
        'Connection':'keep-alive',
    }

    goods_id = re.findall('id=(\d+)', url)[0]

    try:
        req = urllib2.Request(url=url, headers=headers)
        res = urllib2.urlopen(req).read().decode('gbk', 'ignore')
    except Exception as e:
        print '無法打開網頁:', e.reason

    try:
        title = re.findall('<h3 class="tb-main-title" data-title="(.*?)"', res)
        title = title[0] if title else None
        line_price = re.findall('<em class="tb-rmb-num">(.*?)</em>', res)[0]

        # 30-42行爲抓取淘寶商品真實價格，該數據是動態加載的
        purl = "https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId={}&modules=price,xmpPromotion".format(goods_id)

        price_req = urllib2.Request(url=purl, headers=headers)
        price_res = urllib2.urlopen(price_req).read()
        data = list(set(re.findall('"price":"(.*?)"', price_res)))
        # data列表中的價格可能是定值與區間的組合，也可能只是定值，而且不一定有序
        real_price = ""
        for t in data:
            if '-' in t:
                real_price = t
                break
        if not real_price:
            real_price = sorted(map(float, data))[0]

        # 45-53行爲抓取評論數據，該數據也是動態加載的
        comment_url = "https://rate.tmall.com/list_detail_rate.htm?itemId={}&sellerId=880734502&currentPage=1".format(goods_id)
        comment_data = urllib2.urlopen(comment_url).read().decode("GBK", "ignore")
        temp_data = re.findall('("commentTime":.*?),"days"', comment_data)
        temp_data = temp_data if temp_data else re.findall('("rateContent":.*?),"reply"', comment_data)
        comment = ""
        for data in temp_data:
            comment += data.encode('utf-8')
        comment = comment if comment else "暫無評論"
    except Exception as e:
        print '數據抽取失敗!!!'

    print '商品名:', title
    print '劃線價格:', line_price
    print '真實價格:', real_price
    print '商品鏈接:', url
    print '部分評論內容:', comment

if __name__ == '__main__':
    #url = 'https://item.taobao.com/item.htm?spm=a230r.1.14.30.43306a3fOeuZ0B&id=553787375606&ns=1&abbucket=10#detail'
    url = raw_input("請輸入商品鏈接: ")
    spider_taobao(url)

運行結果如下: