Python爬虫之淘宝比价

2018.03.25

选取所爬取的网站

由于要获取多个商品的名称和价格信息,所以选取淘宝搜索界面的网址作为爬取的链接,打开淘宝搜索“电脑”,发现地址开头为:https://s.taobao.com/search?q=电脑
由此得出“=”后即为要搜索的名称。

确认目标和技术路线

目标就是获取淘宝搜索页面的信息,提取其中的商品名称和价格。
技术路线为:requests(获取连接) + re (获取相关内容)

代码结构分析

首先要引入所需要的库,即requests 和 re。
主要代码分为四部分。

  • 获得页面的函数。(getHTMLText)
  • 对获得的每一个页面进行解析(两个变量,ilt结果的列表类型,相关的html页面的信息)。(parsePage)
  • 将淘宝的商品信息输出到屏幕上。(printGoodsList)
  • 主函数,记录程序运行的过程。(main)

全代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
import requests
import re


def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
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 = 0
for g in ilt:
count = count + 1
print(tplt.format(count, g[0], g[1]))


def main():
goods = '电脑'
depth = 3
start_url = 'http://s.taobao.com/search?q=' + goods
infoList = []
for i in range(depth):
try:
url = start_url + '&s=' + str(44 * i)
html = getHTMLText(url)
parsePage(infoList, html)
except:
continue
printGoodsList(infoList)


main()

爬虫改进

这个爬虫爬取的知识简单的商品和价格信息,使用的是默认淘宝排序,如果想按照价格降序排列,只需改进start_url为:

1
start_url = 'http://s.taobao.com/search?q=' + goods + '&sort=price-desc'

升序排列:

1
start_url = 'http://s.taobao.com/search?q=' + goods + '&sort=price-asc'

销量排序:

1
start_url = 'http://s.taobao.com/search?q=' + goods + '&sort=sale-desc'

以此类推。