三、网络爬虫之实战（2）

实例介绍

功能描述：

目标：获取淘宝搜索页面的信息，提取其中的商品名称和价格

理解：

• 淘宝的搜索接口
• 翻页的处理

技术路线：requests‐re

爬虫可行性：https://s.taobao.com/robots.txt

User-agent: *
Disallow: /

程序的结构设计

步骤1：提交商品搜索请求，循环获取页面
步骤2：对于每个页面，提取商品名称和价格信息
步骤3：将信息输出到屏幕上

2.实例编写

淘宝设定登录后才能搜索商品 给head加上用户cookie

import requests
import re


def getHTMLText(url):
    try:
        kv = {
            'cookie': '复制当前用户登录的cookie',
            'user-agent': 'Mozilla/5.0'}
        r = requests.get(url, headers = kv,timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except Exception as e:
        print(e)
        return "get error"


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('parse error')


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 += 1
        print(tplt.format(count, g[0], g[1]))


def main():
    goods = '书包'
    depth = 2
    start_url = 'https://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 Exception as e:
            print('main error',e)
            continue
    printGoodsList(infoList)

main()