Python–天猫详情页爬虫

淘宝天猫商品抓取

分类： python

 数据来源  --TTyb   2017-11-11  858 1833

 

 

本文基于 360 浏览器查看源码， python3.4 编码 ，爬虫基础需要学习的请看 爬虫教程。

淘宝天猫的网页反爬虫很严重，存在大量的 验证码 、 登陆提示 、 浏览限制 等等机制，但是毕竟一山还有一山高，机器永远比不上人的聪明，所以我发现了一个抓取的方法。

任何网页存在反爬虫都是很棘手的，例如淘宝的反爬虫很严重。但是众所周知，手机端的页面往往比电脑端的页面好抓取，所以我打开了淘宝的手机端网页 https://m.taobao.com ，点击上面的搜索框，网页自动跳转：

此时 网址已经变化成：

https://s.m.taobao.com/h5?search-btn=&event_submit_do_new_search_auction=1&_input_charset=utf-8&topSearch=1&atype=b&searchfrom=1&action=home%3Aredirect_app_action&from=1

F12 查看网址的表单，找到 Headers ，看到请求的 host 变成了 s.m.taobao.com ，请求携带的表单有：

清除表单的信息，鼠标往下拉，看下翻页的信息：

可以看到 get 的表单变成了：

event_submit_do_new_search_auction:1
_input_charset:utf-8
topSearch:1
atype:b
searchfrom:1
action:home:redirect_app_action
from:1
sst:1
n:20
buying:buyitnow
m:api4h5
abtest:17
wlsort:17
style:list
closeModues:nav,selecthot,onesearch
page:2

很明显的发现翻页的表单为 page ，数了一下每一页是 20 个商品的信息。这样就找到了翻页的部分。继续清除加载好的表单，搜索看一下：

查看得到请求头是：

event_submit_do_new_search_auction:1
_input_charset:utf-8
topSearch:1
atype:b
searchfrom:1
action:home:redirect_app_action
from:1
sst:1
n:20
buying:buyitnow
q:Iphone

我搜索的是 Iphone ，基本确认 keyword 是 q 了，再搜索 Ipad 看一下，表单为：

q:Ipad
search:提交
tab:all

每次请求的表单都不一样，我把他们汇总在一起是这样子：

"event_submit_do_new_search_auction": "1",
"search": "提交",
"tab": "all",
"_input_charset": "utf-8",
"topSearch": "1",
"atype": "b",
"searchfrom": "1",
"action": "home:redirect_app_action",
"from": "1",
"q": keyword,
"sst": "1",
"n": "20",
"buying": "buyitnow",
"m": "api4h5",
"abtest": "30",
"wlsort": "30",
"style": "list",
"closeModues": "nav,selecthot,onesearch",
"page": page

只要请求的 url 携带这些参数就可以了。其中查看头部知道：

Referer="http://s.m.taobao.com"
Host="s.m.taobao.com"

到这里其实就可以写代码了，但是发现表单中出现了一个 style:list ，敏感的嗅觉觉得这里有猫腻，应该是展现的样式，所以我点击销量优先，发现 style:list 没变，但是增加了 sort:_sale ，这里会排序，再点其他发现如下信息：

综合排序sort:""
销量优先sort:_sale
价格低到高sort:bid
价格高到低sort:_bid
信用排序sort:_ratesum
起始价格：start_price：价格
终止加个：end_price：价格

既然这样已经找到请求表单，那么构造 python 爬虫代码，安装必要的爬虫库 pip3 install requests ，首先抓取首页保持爬虫链接，这个是为了使头部自动增加 cookie ：

headers = {
    "User-Agent": "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5"
}

session = requests.session()
session.get("https://s.m.taobao.com/", headers=headers)

根据抓取到的表单构造 getdata ：

getData = {
	"event_submit_do_new_search_auction": "1",
	"search": "提交",
	"tab": "all",
	"_input_charset": "utf-8",
	"topSearch": "1",
	"atype": "b",
	"searchfrom": "1",
	"action": "home:redirect_app_action",
	"from": "1",
	"q": keyword,
	"sst": "1",
	"n": "20",
	"buying": "buyitnow",
	"m": "api4h5",
	"abtest": "30",
	"wlsort": "30",
	"style": "list",
	"closeModues": "nav,selecthot,onesearch",
	"page": page
}

url 前缀 preUrl = "http://s.m.taobao.com/search?" ，升级头部使其携带 Referer 和 Host ：

# 升级头部
headers.update(
	dict(Referer="http://s.m.taobao.com", Host="s.m.taobao.com"))

抓取网页：

# 抓取网页
aliUrl = session.get(url=preUrl, params=getData, headers=headers)

输入关键词和页数，打印抓取下来的东西，居然发现是 json ：

这样就很满足了，解析这段 json ：

dictInfo = json.loads(content.decode("utf-8", "ignore"))
infoList = dictInfo["listItem"]

由于我抓取的是 1 页，所以得到 20 个商品的 infoList ，infoList 里面的每个元素都是一个字典，提取 dict 里面的店铺信息：

for dict in infoList:
	store = dict["nick"]
	print(store)