Python爬取淘宝商品详情页数据

  在讲爬取淘宝详情页数据之前，先来介绍一款 Chrome 插件：Toggle JavaScript (它可以选择让网页是否显示 js 动态加载的内容)，如下图所示：

当这个插件处于关闭状态时，待爬取的页面显示的数据如下:

当这个插件处于打开状态时，待爬取的页面显示的数据如下:

  可以看到，页面上很多数据都不显示了，比如商品价格变成了划线价格，而且累计评论也变成了0，说明这些数据都是动态加载的，以下演示真实价格的找法(评论内容找法类似)，首先检查页面元素，然后点击Network选项卡，刷新页面，可以看到很多动态加载的数据，在里面找到包含商品价格的链接(可以使用Ctrl+f查找)，如下图所示:

  将此链接在新的标签页打开，如下图所示，可以看到，被禁止访问了，所以爬取的时候要在headers中加上Referer字段告诉服务器你是从哪个页面链接过来的，Referer字段可以在这里查看:

评论数据的链接可以直接访问(和价格信息找法类似)，这里我知己去访问它，如下图所示:

  可以看到评论信息总共有7页，而且都是json格式的数据，所以可以用json反序列化去抽取数据，当然也可以用正则表达式，下面我将演示用正则去抽取数据，因为评论数据过多，这里只抓取第一页，如果需要所有评论数据，可以循环构造url，只需要修改currentPage参数的值就行。程序源码如下:

# filename:spider_taobao.py
#!/usr/bin/env python
# -*- coding=utf-8 -*-

import re
import urllib2

def spider_taobao(url):

    headers = {
        'Accept':'application/json, text/plain, */*',
        'Accept-Language':'zh-CN,zh;q=0.3',
        'Referer':'https://item.taobao.com/item.htm',
        'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
        'Connection':'keep-alive',
    }

    goods_id = re.findall('id=(\d+)', url)[0]

    try:
        req = urllib2.Request(url=url, headers=headers)
        res = urllib2.urlopen(req).read().decode('gbk', 'ignore')
    except Exception as e:
        print '无法打开网页:', e.reason

    try:
        title = re.findall('<h3 class="tb-main-title" data-title="(.*?)"', res)
        title = title[0] if title else None
        line_price = re.findall('<em class="tb-rmb-num">(.*?)</em>', res)[0]

        # 30-42行为抓取淘宝商品真实价格，该数据是动态加载的
        purl = "https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId={}&modules=price,xmpPromotion".format(goods_id)

        price_req = urllib2.Request(url=purl, headers=headers)
        price_res = urllib2.urlopen(price_req).read()
        data = list(set(re.findall('"price":"(.*?)"', price_res)))
        # data列表中的价格可能是定值与区间的组合，也可能只是定值，而且不一定有序
        real_price = ""
        for t in data:
            if '-' in t:
                real_price = t
                break
        if not real_price:
            real_price = sorted(map(float, data))[0]

        # 45-53行为抓取评论数据，该数据也是动态加载的
        comment_url = "https://rate.tmall.com/list_detail_rate.htm?itemId={}&sellerId=880734502&currentPage=1".format(goods_id)
        comment_data = urllib2.urlopen(comment_url).read().decode("GBK", "ignore")
        temp_data = re.findall('("commentTime":.*?),"days"', comment_data)
        temp_data = temp_data if temp_data else re.findall('("rateContent":.*?),"reply"', comment_data)
        comment = ""
        for data in temp_data:
            comment += data.encode('utf-8')
        comment = comment if comment else "暂无评论"
    except Exception as e:
        print '数据抽取失败!!!'

    print '商品名:', title
    print '划线价格:', line_price
    print '真实价格:', real_price
    print '商品链接:', url
    print '部分评论内容:', comment

if __name__ == '__main__':
    #url = 'https://item.taobao.com/item.htm?spm=a230r.1.14.30.43306a3fOeuZ0B&id=553787375606&ns=1&abbucket=10#detail'
    url = raw_input("请输入商品链接: ")
    spider_taobao(url)

运行结果如下: