标签：compile put text htm 生成 搜索 时间 utf-8 amp
这次的主要的目的是从淘宝的搜索页面获取商品的信息。其实分析页面找到信息很容易，页面信息的存放都是以静态的方式直接嵌套的页面上的，很容易找到。主要困难是将信息从HTML源码中剥离出来，数据和网页源码结合的很紧密，剥离数据有一定的难度。
然后将获取的信息写入excel表格保存起来，这次只爬取了前面10页 的内容。在运行代码的过程中发现，30页后面的数据有问题，出现了手机价格为0的情况，这是不符合实际的，码也没有写错误处理的代码。
这次先写个粗略的，有点凌乱的感觉，下次有时间再系统的整理整理吧。
import requests import re from xlwt import Workbook import xlrd import time def key_name( number ): #获取页面的内容并返回 name = ‘手机‘ URL_1 = "https://s.taobao.com/search?ie=utf8&initiative_id=staobaoz_20170905&stats_click=search_radio_all%3A1&js=1&imgfile=&q=" URL_2 = "&suggest=0_1&_input_charset=utf-8&wq=u&suggest_query=u&source=suggest&p4ppushleft=5%2C48&s=" URL = ( URL_1 + name + URL_2 + str(number)) #print(URL) res = requests.get( URL ) return res.text def find_date( text): #根据整个页面的信息，获取商品的数据所在的HTML源码并放回 reg = r‘,"data":{"spus":\[({.+?)\]}},"header":‘ reg = re.compile(reg) info = re.findall(reg, text) return info[0] def manipulation_data( info, N, sheet ): #解析获取的HTML源码，获取数据 Date = eval(info) for d in Date: T = " ".join([t[‘tag‘] for t in d[‘tag_info‘]]) #print(d[‘title‘] + ‘\t‘ + d[‘price‘] + ‘\t‘ + d[‘importantKey‘][0:len(d[‘importantKey‘])-1] + ‘\t‘ + T) sheet.write(N,0,d[‘title‘]) sheet.write(N,1,d[‘price‘]) sheet.write(N,2,T) N = N + 1 return N def main(): book = Workbook() sheet = book.add_sheet(‘淘宝手机数据‘) sheet.write(0,0,‘品牌‘) sheet.write(0,1,‘价格‘) sheet.write(0,2,‘配置‘) book.save(‘淘宝手机数据.xls‘) #k用于生成链接，每个链接的最后面的数字相差48. #N用于记录表格的数据行数，便于写入数据 k = 0 N = 1 for i in range(10+1): text = key_name( k + i * 48 ) info = find_date(text) N = manipulation_data( info ,N, sheet ) book.save(‘淘宝手机数据.xls‘) print(‘下载第‘ + str(i) + ‘页完成‘) if __name__ == ‘__main__‘: main()
标签：compile put text htm 生成 搜索 时间 utf-8 amp
原文地址：http://www.cnblogs.com/jxc321/p/7494185.html
