爬淘宝的商品信息 (上）

爬淘宝的商品信息

现在想去爬淘宝上某商品的累计评论数和交易量，如下图所示

轮子选python的Scrapy，据说很厉害，第一次用，不太懂。

环境的配置

1. 首先安装最新版的Ananconda，我这里安装完后显示python版本为3.61
2. 安装scrapy， 直接使用命令conda install scrapy即可安装scrapy，要注意了，需要电脑上安装好pywin32
3. 然后下载chromedriver, 放在解压后，将exe文件放在路径C:ProgramDataAnaconda3Scripts下

项目创建

首先是使用scrapy startproject TB创建一个工程项目，然后cd TB，进入TB目录下，使用命令scrapy genspider taobao taobao.com创建你的爬虫。至此，整个项目搭建完毕，接下来，就是进行代码编写了

代码编写

首先是修改settings.py中的内容，选择不遵守robots.txt协议

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

因为淘宝开启了robots.txt协议，而scrapy是默认遵守robots.txt协议的，所以，一开始是拒绝爬淘宝的

接下来，修改items.py文件如下所示

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class TbItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    trade, comments = scrapy.Field(), scrapy.Field()
    item_id = scrapy.Field()

此中内容，表是我们要爬取得到的东西，主要包括商品id，商品累计评价，商品交易量

接下来，编写蜘蛛了

打开spiders下的taobao.py文件修改如下

# -*- coding: utf-8 -*-
import scrapy
from TB.items import TbItem
from scrapy import Request, Selector
from selenium import webdriver
from urllib.parse import urlparse,parse_qs

class TaobaoSpider(scrapy.Spider):
    name = "taobao"
    allowed_domains = ["taobao.com"]
    start_urls = ['https://item.taobao.com/item.htm?spm=a230r.1.14.75.4BT18i&id=538224140282&ns=1&abbucket=8',
                  'https://item.taobao.com/item.htm?spm=a230r.1.14.3.PPDEVC&id=547701746911&ns=1&abbucket=8']

    def __init__(self, *args, **kwargs):
        super(TaobaoSpider, self).__init__(*args, **kwargs)
        self.driver = webdriver.Chrome()

    def parse(self, response):
        self.driver.get(response.url)
        self.driver.implicitly_wait(30)
        selector = Selector(text=self.driver.page_source)
        for sel in selector.xpath('//*[@id="J_Counter"]'):
            item = TbItem()
            item['comments'] = sel.xpath('//*[@id="J_RateCounter"]/text()').extract_first()
            item['trade'] = sel.xpath('//*[@id="J_SellCounter"]/text()').extract_first()
            # item['item_name'] = sel.xpath('//*[@id="J_Title"]/h3/text()').extract_first()
            item['item_id'] = parse_qs(urlparse(response.url).query, True)['id'][0]
            yield item

    def __del__(self):
        if self.driver is not None:
            self.driver.quit()

函数parse里面主要的工作是利用selenium调用chrome，模拟人操作浏览器访问淘宝，这样能够解决淘宝的动态加载问题