Python——爬虫实战 爬取淘宝店铺内所有宝贝图片

2018/03/07 后端技术

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。

Search

    Table of Contents