Python——爬虫实战 爬取淘宝店铺内所有宝贝图片

之前用四篇很啰嗦的入门级别的文章,带着大家一起去了解并学习在编写爬虫的过程中,最基本的几个库的用法。

那么今天,我们就正式开始我们的第一篇实战内容,爬取一整个淘宝店铺里的所有宝贝的详情页,并且把详情页里的宝贝图片保存下来。我自己刚开了一个小网店,当时写出这个爬虫,也是真真正正的为我自己服务了一回呢。

在写之前,我先把这个爬虫的代码分析一下,方便大家在看代码的时候,理解整个流程是怎么样的。

爬虫框架我一直是使用Scrapy的,在用Scrapy抓取店铺信息的时候,因为淘宝的反爬机制,发现了机器人,所以获取不到任何信息,当时我赶着用宝贝图片,所以我使用了之前介绍的selenium来获取网页信息,并且通过我们上一篇介绍的lxml框架来提取信息。最主要的库就是这两个,那么我针对这个爬虫,编写了一个叫做taobaoShop的爬虫类。

之后,我们首先进入店铺的首页,抓取首页所有商品的资料,并用他们的宝贝名,来生成文件夹,方便存储对应的详情图片,然后爬虫进入宝贝的详情页,从详情页中提取详情照片,并且保存在宝贝名称对应的文件夹中,在该页面所有的宝贝爬取完成后,咱们后检查是否有分页,如果还有下一页的宝贝,那么进入下一页的宝贝接着爬,过程就和刚刚描述的一样了。

所以我们的淘宝店铺爬虫类的初始化代码是这样的:

def __init__(self):
    """初始化构造函数
    """

    self.site_url = 'https://shop67309167.taobao.com/?spm=a230r.7195193.1997079397.2.xPZZS0'
    self.driver = webdriver.Chrome()
    self.sleep_time = 10
    self.save_img_path = '/Users/Lix/Documents/tbshop/'

初始化中我们设置了要爬取的店铺url(这就是我的小店,如果可以的话,请各位大佬帮忙点个关注),另外是启动selenium中webdriver的代码,我用Chrome打开,静默的话可以选择Phantomjs打开,另外有个间歇时间,因为爬取的过快,会被淘宝判定为爬虫,弹出登录框,最后的save_img_path自然就是我保存图片的路径了。

在初始化的构造函数完成之后,我们首先获取的是淘宝店铺页面的网页信息:

def getPage(self):
    """获取淘宝店铺页面代码
    """

    self.driver.get(self.site_url)
    time.sleep(self.sleep_time)
    content = self.driver.page_source.encode('utf-8')
    print self.driver.title
    
    # 保存html代码debug
    # self.saveHtml('taobaoshop', content)
    
    # 分析该页面的每个宝贝
    self.getItem()

在获取到店铺的网页信息后,我们调用getItem()函数,获取每个宝贝的信息:

def getItem(self):
    """爬取当前页面的每个宝贝,
       提取宝贝名字,价格,标题等信息
    """

    html = self.driver.page_source.encode('utf-8')
    selector = etree.HTML(html)
    itemList = selector.xpath("//div[@class='item3line1']")
    
    # 循环遍历该页所有商品
    index = 0
    for item3line1 in itemList:
        dl = item3line1.xpath("./dl")
        for item in dl:
            link = 'https:' + item.xpath("./dt/a/@href")[0]
            photo = 'https:' + item.xpath("./dt/a/img/@src")[0]
            title = item.xpath("./dd/a/text()")[0]
    
            res = {
                'link' : link,
                'photo' : photo,
                'title' : title
            }

            # 进入宝贝详情页 开始爬取里面的图片资料
            self.getItemDetail(link, '')
    
    # 获取分页信息
    pagination = selector.xpath("//div[@class='pagination']/a[contains(@class, 'J_SearchAsync') and contains(@class, 'next')]/@href")
    print pagination
    print '正在准备切换分页'
    if len(pagination) == 0:
        print '没有下一页了'
    else:
        print '加载下一页内容'
        self.site_url = 'https:' + pagination[0]
        print self.site_url
        self.getPage()

在这里,我们看到我们已经获取到了宝贝的链接,封面图,标题。并且执行了getItemDetail(self, link, save_img_path)函数去爬取宝贝的详情页了,最后我们还在循环结束之后,分析了分页数据。

那么最后,我们就来看看最关键的getItemDetail()函数,看看是怎么爬取宝贝信息的:

def getItemDetail(self, link, save_img_path):
    """从宝贝的详情链接里 爬取图片
    
    Arguments:
        link {String} -- [宝贝详情链接]
    """
    newDriver = webdriver.Chrome()
    newDriver.get(link)
    time.sleep(self.sleep_time)

    print newDriver.title

    img_dir_path = self.save_img_path + newDriver.title.encode('utf-8')
    if True == self.mkdir(img_dir_path):
        print '创建宝贝目录成功'

    html = newDriver.page_source.encode('utf-8')
    selector = etree.HTML(html)

    # 封面图
    J_ULThumb = selector.xpath("//div[@class='tb-gallery']/ul/li")
    index = 0
    for li in J_ULThumb:
        # 替换图片 从50*50 至 400 * 400
        if len(li.xpath("./div/a/img/@data-src")) < 1:
            continue
        small_pic = li.xpath("./div/a/img/@data-src")[0]
        common_pic = 'https:' + small_pic.replace('50x50', '400x400')
        thumb_title = str('封面图') + str(index)
        print thumb_title
        # self.saveImg(img_dir_path, common_pic, thumb_title.decode('utf-8'))
        index += 1

    # 爬取里面所有图片
    all_img = selector.xpath("//div[@id='J_DivItemDesc']//descendant::img/@src")
    print all_img

    index = 0
    for img in all_img:
        imglink = img
        if img.startswith('http') is True:
            imglink = img
        else:
            imglink = 'https:' + img

        self.saveImg(img_dir_path, imglink, str(index))
        index += 1

    newDriver.quit()

注释都写在代码里了,大家看看就好,这里有很多地方的代码不够优雅,那是我当天急着用,所以后来也没有去优化了。

在这个核心解析代码的完成之后,宝贝图片就已经稳稳的存储到我们的硬盘上了,可以开箱即用了。完整的代码我也放在了Github上了,如果对您有帮助,请帮忙star一下。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 155,348评论 4 355
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 65,906评论 1 283
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 105,191评论 0 235
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 43,295评论 0 201
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 51,606评论 3 283
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,107评论 1 202
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,507评论 2 305
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,217评论 0 193
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,848评论 1 234
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,183评论 2 238
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,734评论 1 255
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,084评论 2 247
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,608评论 3 228
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,921评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,627评论 0 190
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,103评论 2 261
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,054评论 2 257

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 170,529评论 25 707
  • 1 前言 作为一名合格的数据分析师,其完整的技术知识体系必须贯穿数据获取、数据存储、数据提取、数据分析、数据挖掘、...
    whenif阅读 17,976评论 45 523
  • 写在前面 如果你不会 python ,不会爬虫,甚至完全不会编程的话,建议你先去看看这个系列博客的前两章。否则就算...
    ed8236310d4f阅读 7,436评论 4 22
  • 做淘宝真的要刷单么?那些所谓的七天螺旋,如果你一个新开的店,没权重没流量,不刷单哪来的螺旋给你? 淘宝大环境下,小...
    我是盼盼呢阅读 9,630评论 1 16
  • 热恋期的女人最美,由内而外散发出甜美的气息,怎么办?刚分开又开始想他了,林彤抱着抱枕傻笑着。直到这一刻还有着不真实...
    合风阅读 387评论 0 0