中国大学MOOC“淘宝商品信息定向爬虫”实例（版）

目标：

获取淘宝搜索页面的信息

提取其中的商品名称和价格

（一）程序的结构设计：

1：提交商品搜索请求，循环获取页面

2：对于每个页面，提取商品名称和价格信息

3：将信息输出到屏幕上

（二）代码实现：

1：先构建出函数的整体框架

2：对每一个函数具体的代码进行设计和编写

（三）解决只打印表头问题

（后续反爬虫问题）

嵩天老师

小数据孩儿来交笔记喽！！！

#淘宝商品信息定向爬虫import requests #引入requests库获得链接import re #引入正则表达式库获得相关内容def getHTMLText(url): #爬取网页的通用代码框架try:r=requests.get(url,timeout=30) #获取页面的url链接r.raise_for_status() #如果状态不是200，引发HTTP Error异常r.encoding=r.apparent_encoding #修改编码return r.text #将网页的信息内容返回给其他部分except: #异常部分（如果出现错误，将返回一个空字符串）return ""def parsePage(ilt,html): #设计和开发parsePage函数，是整个函数的关键try:plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html) #re 库的主要功能函数 ，反斜杠代表引用tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)for i in range(len(plt)):price = eval(plt[i].split(':')[1])title = eval(tlt[i].split(':')[1])ilt.append([price , title])except:print("")def printGoodsList(ilt): #输出商品信息tplt = "{:4}\t{:8}\t{:16}" #设计打印模板叫做tplt，大括号定义槽函数，第一个位置长度给4，中间位置长度为8，最后位置长度为16print(tplt.format("序号", "价格", "商品名称")) #打印表头count = 0 #定义一个输出信息的计数器for g in ilt:count = count + 1print(tplt.format(count, g[0], g[1])) #count代表商品序号，后面的分别代表商品的价格和商品的名称def main(): #定义主函数goods = '书包' #搜索关键词，定义一个变量depth = 3#向下一页爬取的深度start_url = '/search?q=' + goodsinfoList = [] #对整个的输出结果定义一个变量叫做infoListfor i in range(depth): #不同的页面是不同的urltry:url = start_url + '&s=' + str(44*i) #对每一个页面的url链接进行一个设计html = getHTMLText(url)parsePage(infoList, html)except:continueprintGoodsList(infoList) #这时候的结果信息保存在infoList中main() #最后通过调用主函数来使整个程序运行

这样程序是写完了（嵩天老师原版代码）

但是打印出来的只有表头并没有商品信息

如何解决只打印表头的问题呢？

1、在淘宝官网搜索框中搜索“书包”

按“ctrl+shift+i”打开“开发人员工具”

（快捷键也许不同，自行查阅）

如下图：

网络、全部、选中箭头指向位置

（如果箭头位置不变

就去左面的搜索栏点击一下搜索）

在箭头下面的名称位置选择第一个

并右击弹出有复制的菜单

再选择复制为cURL（bash）

2、打开一个新的网址：/

将上面复制的内容粘贴到下图红框的位置

（附图为粘贴完的效果）

3、将页面往下滑

将python requests框内的headers={**}

内容复制到如下下图位置

除了以上的变动外还要有以下变动

r=requests.get(url,timeout=30)#改成r=requests.get(url,headers=headers)

4、最终代码（我将代码'cookie','referer'隐藏了，每个人的都不一样，大家在上述操作中直接复制自己的headers内容即可，记得将cookie前的#号去掉，否则还是打印不出内容）

#爬取淘宝页面import requestsimport redef getHTMLText(url):try:headers={'authority': '','accept': '*/*','accept-language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',# Requests sorts cookies= alphabetically'cookie': '**********','referer': '*********','sec-ch-ua': '"Chromium";v="106", "Microsoft Edge";v="106", "Not;A=Brand";v="99"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': '"Windows"','sec-fetch-dest': 'script','sec-fetch-mode': 'no-cors','sec-fetch-site': 'same-site','user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.47',}r=requests.get(url,headers=headers)r.raise_for_status()r.encoding=r.apparent_encodingreturn r.textexcept:return ""def parsePage(ilt,html):try:plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)for i in range(len(plt)):price = eval(plt[i].split(':')[1])title = eval(tlt[i].split(':')[1])ilt.append([price , title])except:print("")def printGoodsList(ilt):tplt = "{:4}\t{:8}\t{:16}"print(tplt.format("序号", "价格", "商品名称"))count = 0for g in ilt:count = count + 1print(tplt.format(count, g[0], g[1]))def main():goods = '书包'depth = 3start_url = '/search?q=' + goodsinfoList = []for i in range(depth):try:url = start_url + '&s=' + str(44*i)html = getHTMLText(url)parsePage(infoList, html)except:continueprintGoodsList(infoList)main()

5、 运行成功

笔记就到这里了，希望对大家有所帮助！！！

网络爬虫盗亦有道！！！

不要不加节制的爬取该网页呦！！！