最近有个需求爬取电商网站的商品详细信息,记录下爬取过程。
完整源代码:https://github.com/ttcool/league_matches/suning_scrpy.py
爬取思路:目前各个大型的电商网站都有反爬取的策略,结合大数据很容易识别大规模的数据爬取。而且也不会提供结构化的数据供爬取。决定采用selenium模拟浏览器操作,再对页面数据进行解析、存储。
各个电商网站都有完善搜索功能,通过搜索功能输入关键字最多展示50页左右的数据。每页100条数据,一个关键字就可以爬取5000条左右的数据,数据量还是很可观的。
以爬取苏宁手机数据为例,可以通过手机关键字展示50页数据,提取商品详细页面的url,再进入每个url页面,提取详细的数据,如手机的参数、价格、图片等信息。
```
from seleniumimport webdriver
from selenium.webdriver.common.keysimport Keys
from bs4import BeautifulSoup
import pandasas pd
from lxmlimport etree
import time, requests
import csv
headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
def link_to_url(link):
try:
r = requests.get(link, headers=headers)
r.raise_for_status
r.encoding ='utf-8'
return r.text
except:
print('此页无法链接!!!')
return ''
#解析提取商品详细信息
def get_good_name_from_text(context):
try:
soup = BeautifulSoup(context, 'lxml', from_encoding="utf-8")
#商品名称
good_name = soup.select(".breadcrumb-title")[0].attrs['title']
#商品颜色
good_color = soup.find_all("li", class_="clr-item")
#商品详细参数
good_param = []
res_elements = etree.HTML(context)
# 指定属性的获取方式
table = res_elements.xpath('//table[@id="bzqd_tag"]')
table = etree.tostring(table[0], encoding='utf-8').decode()
# pandas读取table
df = pd.read_html(table, encoding='utf-8', header=0)[0]
# 转换成列表嵌套字典的格式
results =list(df.T.to_dict().values())
# 最后能够看到一个包含很多字典的list
# print('包装清单',results[0].get('包装清单.1'))
good_param.append(('包装清单', results[0].get('包装清单.1')))
res_elements = etree.HTML(context)
table1 = res_elements.xpath('//table[@id="itemParameter"]')
table1 = etree.tostring(table1[0], encoding='utf-8').decode()
# pandas读取table
df1 = pd.read_html(table1, encoding='utf-8', header=0)[0]
# 转换成列表嵌套字典的格式
results1 =list(df1.T.to_dict().values())
# 最后能够看到一个包含很多字典的list
for iin results1:
# print(i.get('主体'),i.get('主体.1'))
good_param.append((i.get('主体'), i.get('主体.1')))
color_list = []
for iin good_color:
color_list.append(i.attrs["title"])
return good_name, ','.join(color_list), good_param
except:
print('无法解析数据')
return ''
def get_good(driver):
try:
# 通过JS控制滚轮滑动获取所有商品信息
js_code ='''
window.scrollTo(0,4000);
'''
driver.execute_script(js_code)# 执行js代码
# 等待数据加载
time.sleep(10)
# 3、查找所有商品div
good_list = driver.find_elements_by_class_name('product-box')
n =1
for goodin good_list:
# 根据属性选择器查找
# 商品链接
good_url = good.find_element_by_css_selector(
'.res-info .title-selling-point a').get_attribute('href')
# 商品名称
good_price = good.find_element_by_css_selector(
'.res-info .price-box .def-price').text
context = link_to_url(good_url)
good_content = []
if get_good_name_from_text(context):
good_name, good_color, good_param = get_good_name_from_text(context)
good_content = [
good_name,
good_price,
good_url,
good_color,
good_param
]
if good_content:
import json
with open('suning_mobile_iphone.csv', 'a', newline="", encoding='utf-8')as f:
csv_writer = csv.writer(f, delimiter='|')
csv_writer.writerow(good_content)
next_tag = driver.find_element_by_id('nextPage')
next_tag.click()
time.sleep(10)
# 递归调用函数
get_good(driver)
time.sleep(10)
finally:
driver.close()
if __name__ =='__main__':
# good_name = input('请输入爬取商品信息:').strip()
good_name ="iphone手机"
driver = webdriver.Chrome()
driver.implicitly_wait(50)
# 1、往苏宁主页发送请求
driver.get('https://www.suning.com/')
# 2、输入商品名称,并回车搜索
input_tag = driver.find_element_by_id('searchKeywords')
input_tag.send_keys(good_name)
input_tag.send_keys(Keys.ENTER)
time.sleep(2)
get_good(driver)
```
网友评论