Python爬虫之爬取商品信息
2016-06-19 本文已影响830人
bohei111
需求
- 爬取若干页上的商品
- 不包含推广商品和转转商品
- 获取相应商品的详细信息，例如：标题、发布时间、成色、价格、区域、浏览量等
开发环境
Win7 64bit、Python3.5
代码
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import requests
import time
agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
cookie = 'f=n; f=n; id58=c5/ns1dl9yy83HPfDdvGAg==; ipcity=zz%7C%u90D1%u5DDE%7C0; als=0; __utma=253535702.38279276.1466300209.1466300209.1466300209.1; __utmc=253535702; __utmz=253535702.1466300209.1.1.utmcsr=zz.58.com|utmccn=(referral)|utmcmd=referral|utmcct=/; bj=201661993651; bj58_id58s="WEVVdFlpeD1VM3hkNjQ3MQ=="; sessionid=e2fa9381-317b-4e3f-9e1c-fd3705f6c894; myfeet_tooltip=end; 58home=bj; __track_id=20160619093746385471429630431203178; Hm_lvt_4d4cdf6bc3c5cb0d6306c928369fe42f=1466300268; Hm_lpvt_4d4cdf6bc3c5cb0d6306c928369fe42f=1466300268; city=bj; bdshare_firstime=1466300280136; bangbigtip2=1; f=n; final_history=26224745105338%2C25245379987755%2C26394563690054%2C26399654836521%2C26010296256313; bj58_new_session=0; bj58_init_refer=""; bj58_new_uv=3; 58tj_uuid=1b067d6e-d9f3-4b82-818b-3cdd2263501c; new_session=0; new_uv=3; utm_source=; spm=; init_refer='
referer = 'http://bj.58.com/pbdnipad/0/?PGTID=0d3065d1-0000-114f-c494-6fa3a1961632&ClickID=1'
headers = {'User-Agent':agent,'Cookie':cookie,'Referer':referer}
# 获取页面上除了推广和转转外，所有商品的链接，将链接存储在list中返回。函数有两个参数，end_page参数，
# 表示要获取商品的页数，sale参数默认为0，表示要获取个人商品，若要获取商家商品时，将sale置为1。
def get_links_from_page(end_page,sale=0):
links= []
for page in range(1,end_page+1):
url = 'http://bj.58.com/pbdn/{}/pn{}/'.format(sale,page)
r = requests.get(url, headers=headers)
if r.status_code != 200:
continue
time.sleep(4)
soup = BeautifulSoup(r.text, 'lxml')
for tr in soup.select('#infolist > table.tbimg'): #避开了推广商品
for item in tr.find_all('tr', class_=''): #避开了转转商品，注意class_的写法
links.append(item.select('td.t > a.t')[0].get('href'))
# print(links)
return links
# 获取某一个商品的浏览量,浏览量是js控制的，直接抓取标签会返回0，在headers中药加入referer
def get_views(url):
id = url.split('?')[0].split('/')[-1].strip('x.shtml')
infoid = 'http://jst1.58.com/counter?infoid={}'.format(id)
r = requests.get(infoid,headers=headers)
views = r.text.split('=')[-1]
return views
# 获取商品的信息
def get_info(end_page,sale=0):
urls = get_links_from_page(end_page,sale=0)
for url in urls:
r = requests.get(url, headers = headers)
if r.status_code != 200:
continue
time.sleep(2)
soup = BeautifulSoup(r.text, 'lxml')
cate = soup.select('span > a[href="http://bj.58.com/pbdn/"]')
title = soup.select('div > h1')
date = soup.select('li.time')
price = soup.select('span.price')
state = soup.find_all('div', 'su_con')
region = soup.select('.c_25d')
data = {
'category':cate[0].get_text(),
'title':title[0].get_text(),
'date':date[0].get_text(),
'price':price[0].get_text(),
'state':list(state[1].stripped_strings)[0],
'region':''.join(list(region[0].stripped_strings)) if len(region)!=0 else '-',
'seller':'个人' if sale == 0 else '商家',
'views': get_views(r.url), #重定向链接
}
print(data)
# 爬取前两页的信息
get_info(2)
运行结果
遇到的问题和解决方案
-
获取浏览量时，Chrome一直显示浏览量为0，即使刷新后也没有变化，在Sources中也没有发现任何URL返回浏览量信息。折腾了一个晚上，发现是chrome中的adblock plus没关，关掉后一切正常了。
-
使用get_view()函数获取浏览量，最初只把相应的网站传入，结果发有一个商品的浏览量是0，后来发现该链接有重定向链接，使用
r.url获取重定向后的链接即可。 -
选取网页元素时，使用CSS Selector复制路径即可，但是复制的路径不一定能用，如果出现nth-child()，要改为nth-of-type()。路径中的'>'两边要有空格，否则会报错。
-
<tbody>标签导致无法正常选取标签
在最初编程时，为了避免选中推广商品的标签，曾将路径设为#infolist > table.tbimg > tbody > tr > td.t > a.t(这样依然会选中转转商品)，结果竟然返回[]。代码如下：
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import requests
url = 'http://bj.58.com/pbdn/0/'
r = requests.get(url)
soup = BeautifulSoup(r.text, 'lxml')
tag = soup.select(#infolist > table.tbimg > tbody > tr > td.t > a.t)
print(tag)
#结果为[]
原因和解决方案：
虽然在Elements下存在tbody标签，但是网页源代码中并没有该标签，如果使用print(soup)，发现结果中也没有tbody标签。在网页中，tbody位于table中，用来提高解析速度。将路径改为#infolist > table.tbimg > tr > td.t > a.t即可。
总结
- 浏览量是JS控制的，不能通过选取标签的方式获取
- 标签的选取需要逐步尝试
- 为了避开网站的反爬机制，需要添加headers，设置爬取的时间间隔
- 路径的含义
例如：#infolist > table.tbimg > tbody > tr a.t路径，table.tbimg指class=tbimg的table标签，#infolist指id=infolist的标签，> 代表直接子标签，tr a.t之间的空格代表a是tr的间接子标签。
