Python爬虫实战：采集淘宝商品信息并导入EXCEL表格-51CTO.COM

[[350733]]

文章目录

前言

一、解析淘宝URL组成
二、查看网页源码并用re库提取信息
1.查看源码2.re库提取信息
三：函数填写
四：主函数填写
五：完整代码

前言

本文简单使用python的requests库及re正则表达式对淘宝的商品信息(商品名称，商品价格，生产地区，以及销售额)进行了爬取，并最后用xlsxwriter库将信息放入Excel表格。最后的效果图如下：

提示：以下是本篇文章正文内容

一、解析淘宝URL组成

1.我们的第一个需求就是要输入商品名字返回对应的信息

所以我们这里随便选一个商品来观察它的URL，这里我们选择的是书包，打开网页，可知他的URL为：

https://s.taobao.com/search?q=%E4%B9%A6%E5%8C%85&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306

可能单单从这个url里我们看不出什么，但是我们可以从图中看出一些端倪

我们发现q后面的参数就是我们要获取的物品的名字

2.我们第二个需求就是根据输入的数字来爬取商品的页码

所以我们来观察一下后面几页URL的组成

由此我们可以得出分页的依据是最后s的值=(44(页数-1))

二、查看网页源码并用re库提取信息

1.查看源码

这里的几个信息都是我们所需要的

2.re库提取信息

a = re.findall(r'"raw_title":"(.*?)"', html) 
   b = re.findall(r'"view_price":"(.*?)"', html) 
   c = re.findall(r'"item_loc":"(.*?)"', html) 
   d = re.findall(r'"view_sales":"(.*?)"', html)

三：函数填写

这里我写了三个函数，第一个函数来获取html网页，代码如下：

def GetHtml(url): 
    r = requests.get(url,headers =headers) 
    r.raise_for_status() 
    r.encoding = r.apparent_encoding 
    return r

第二个用于获取网页的URL代码如下：

def Geturls(q, x): 
    url = "https://s.taobao.com/search?q=" + q + "&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm" \ 
                                                 "=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306 " 
    urls = [] 
    urls.append(url) 
    if x == 1: 
        return urls 
    for i in range(1, x ): 
        url = "https://s.taobao.com/search?q="+ q + "&commend=all&ssid=s5-e&search_type=item" \ 
              "&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306" \ 
              "&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=" + str( 
            i * 44) 
        urls.append(url) 
    return urls

第三个用于获取我们需要的商品信息并写入Excel表格代码如下：

def GetxxintoExcel(html): 
    global count#定义一个全局变量count用于后面excel表的填写 
    a = re.findall(r'"raw_title":"(.*?)"', html)#（.*?）匹配任意字符 
    b = re.findall(r'"view_price":"(.*?)"', html) 
    c = re.findall(r'"item_loc":"(.*?)"', html) 
    d = re.findall(r'"view_sales":"(.*?)"', html) 
    x = [] 
    for i in range(len(a)): 
        try: 
            x.append((a[i],b[i],c[i],d[i]))#把获取的信息放入新的列表中 
        except IndexError: 
            break 
    i = 0 
    for i in range(len(x)): 
        worksheet.write(count + i + 1, 0, x[i][0])#worksheet.write方法用于写入数据,第一个数字是行位置，第二个数字是列，第三个是写入的数据信息。 
        worksheet.write(count + i + 1, 1, x[i][1]) 
        worksheet.write(count + i + 1, 2, x[i][2]) 
        worksheet.write(count + i + 1, 3, x[i][3]) 
    count = count +len(x) #下次写入的行数是这次的长度+1 
    return print("已完成")

四：主函数填写

if __name__ == "__main__": 
    count = 0 
    headers = { 
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36" 
        ,"cookie":""#cookie 是每个人独有的，因为反爬机制的缘故，爬取太快可能到后面要重新刷新一下自己的Cookie。 
                } 
    q = input("输入货物") 
    x = int(input("你想爬取几页")) 
    urls = Geturls(q,x) 
    workbook = xlsxwriter.Workbook(q+".xlsx") 
    worksheet = workbook.add_worksheet() 
    worksheet.set_column('A:A', 70) 
    worksheet.set_column('B:B', 20) 
    worksheet.set_column('C:C', 20) 
    worksheet.set_column('D:D', 20) 
    worksheet.write('A1', '名称') 
    worksheet.write('B1', '价格') 
    worksheet.write('C1', '地区') 
    worksheet.write('D1', '付款人数') 
    for url in urls: 
        html = GetHtml(url) 
        s = GetxxintoExcel(html.text) 
        time.sleep(5) 
    workbook.close()#在程序结束之前不要打开excel，excel表在当前目录下

五：完整代码

import re 
import  requests 
import xlsxwriter 
import  time 
 
def GetxxintoExcel(html): 
    global count 
    a = re.findall(r'"raw_title":"(.*?)"', html) 
    b = re.findall(r'"view_price":"(.*?)"', html) 
    c = re.findall(r'"item_loc":"(.*?)"', html) 
    d = re.findall(r'"view_sales":"(.*?)"', html) 
    x = [] 
    for i in range(len(a)): 
        try: 
            x.append((a[i],b[i],c[i],d[i])) 
        except IndexError: 
            break 
    i = 0 
    for i in range(len(x)): 
        worksheet.write(count + i + 1, 0, x[i][0]) 
        worksheet.write(count + i + 1, 1, x[i][1]) 
        worksheet.write(count + i + 1, 2, x[i][2]) 
        worksheet.write(count + i + 1, 3, x[i][3]) 
    count = count +len(x) 
    return print("已完成") 
 
 
def Geturls(q, x): 
    url = "https://s.taobao.com/search?q=" + q + "&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm" \ 
                                                 "=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306 " 
    urls = [] 
    urls.append(url) 
    if x == 1: 
        return urls 
    for i in range(1, x ): 
        url = "https://s.taobao.com/search?q="+ q + "&commend=all&ssid=s5-e&search_type=item" \ 
              "&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306" \ 
              "&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=" + str( 
            i * 44) 
        urls.append(url) 
    return urls 
 
 
def GetHtml(url): 
    r = requests.get(url,headers =headers) 
    r.raise_for_status() 
    r.encoding = r.apparent_encoding 
    return r 
 
if __name__ == "__main__": 
    count = 0 
    headers = { 
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36" 
        ,"cookie":"" 
                } 
    q = input("输入货物") 
    x = int(input("你想爬取几页")) 
    urls = Geturls(q,x) 
    workbook = xlsxwriter.Workbook(q+".xlsx") 
    worksheet = workbook.add_worksheet() 
    worksheet.set_column('A:A', 70) 
    worksheet.set_column('B:B', 20) 
    worksheet.set_column('C:C', 20) 
    worksheet.set_column('D:D', 20) 
    worksheet.write('A1', '名称') 
    worksheet.write('B1', '价格') 
    worksheet.write('C1', '地区') 
    worksheet.write('D1', '付款人数') 
    xx = [] 
    for url in urls: 
        html = GetHtml(url) 
        s = GetxxintoExcel(html.text) 
        time.sleep(5) 
    workbook.close()

【编辑推荐】