这篇教程用python爬取分析淘宝商品信息详解技术篇写得很实用，希望能帮到您。
Tip:本文仅供学习与交流，切勿用于非法用途！！！
背景介绍有个同学问我：“XXX，有没有办法搜集一下淘宝的商品信息啊，我想要做个统计”。于是乎，闲来无事的我，又开始琢磨起这事… 
一、模拟登陆兴致勃勃的我，冲进淘宝就准备一顿乱搜： 
在搜索栏里填好关键词：“显卡”，小手轻快敲击着回车键（小样~看我的）
心情愉悦的我等待着返回满满的商品信息，结果苦苦的等待换了的却是302，于是我意外地来到了登陆界面。 
情况基本就是这么个情况了…
然后我查了一下，随着淘宝反爬手段的不断加强，很多小伙伴应该已经发现，淘宝搜索功能是需要用户登陆的！ 关于淘宝模拟登陆，有大大已经利用requests成功模拟登陆（感兴趣的小伙伴请往这边>>>requests登陆淘宝<<<）
这个方法得先分析淘宝登陆的各种请求，并模拟生成相应的参数，相对来说有一定的难度。于是我决定换一种思路，通过selenium+二维码的方式： # 打开图片def Openimg(img_location): img=Image.open(img_location) img.show()# 登陆获取cookiesdef Login(): driver = webdriver.PhantomJS() driver.get('https://login.taobao.com/member/login.jhtml') try: driver.find_element_by_xpath('//*[@id="login"]/div[1]/i').click() except: pass time.sleep(3) # 执行JS获得canvas的二维码 JS = 'return document.getElementsByTagName("canvas")[0].toDataURL("image/png");' im_info = driver.execute_script(JS) # 执行JS获取图片信息 im_base64 = im_info.split(',')[1] #拿到base64编码的图片信息 im_bytes = base64.b64decode(im_base64) #转为bytes类型 time.sleep(2) with open('./login.png','wb') as f: f.write(im_bytes) f.close() t = threading.Thread(target=Openimg,args=('./login.png',)) t.start() print("Logining...Please sweep the code!/n") while(True): c = driver.get_cookies() if len(c) > 20: #登陆成功获取到cookies cookies = {} for i in range(len(c)): cookies[c[i]['name']] = c[i]['value'] driver.close() print("Login in successfully!/n") return cookies time.sleep(1)通过webdriver打开淘宝登陆界面，把二维码下载到本地并打开等待用户扫码（相应的元素大家通过浏览器的F12元素分析很容易就能找出）。待扫码成功后，将webdriver里的cookies转为DICT形式，并返回。（这里是为了后续requests爬取信息的时候使用）
二、爬取商品信息当我拿到cookies之后，便能对商品信息进行爬取了。
（小样 ~我来啦）
1. 定义相关参数定义相应的请求地址，请求头等等： # 定义参数headers = {'Host':'s.taobao.com', 'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0', 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2', 'Accept-Encoding':'gzip, deflate, br', 'Connection':'keep-alive'}list_url = 'http://s.taobao.com/search?q=%(key)s&ie=utf8&s=%(page)d'
2. 分析并定义正则当请求得到HTML页面后，想要得到我们想要的数据就必须得对其进行提取，这里我选择了正则的方式。通过查看页面源码： 
偷懒的我上面只标志了两个数据，不过其他也是类似的，于是得到以下正则： # 正则模式p_title = '"raw_title":"(.*?)"' #标题p_location = '"item_loc":"(.*?)"' #销售地p_sale = '"view_sales":"(.*?)人付款"' #销售量p_comment = '"comment_count":"(.*?)"'#评论数p_price = '"view_price":"(.*?)"' #销售价格p_nid = '"nid":"(.*?)"' #商品唯一IDp_img = '"pic_url":"(.*?)"' #图片URL （ps.聪明的小伙伴应该已经发现了，其实商品信息是被保存在了g_page_config变量里面，所以我们也可以先提取这个变量（一个字典），然后再读取数据，也可！）
3. 数据爬取完事具备，只欠东风。于是，东风来了： # 数据爬取key = input('请输入关键字:') # 商品的关键词N = 20 # 爬取的页数 data = []cookies = Login()for i in range(N): try: page = i*44 url = list_url%{'key':key,'page':page} res = requests.get(url,headers=headers,cookies=cookies) html = res.text title = re.findall(p_title,html) location = re.findall(p_location,html) sale = re.findall(p_sale,html) comment = re.findall(p_comment,html) price = re.findall(p_price,html) nid = re.findall(p_nid,html) img = re.findall(p_img,html) for j in range(len(title)): data.append([title[j],location[j],sale[j],comment[j],price[j],nid[j],img[j]]) print('-------Page%s complete!--------/n/n'%(i+1)) time.sleep(3) except: passdata = pd.DataFrame(data,columns=['title','location','sale','comment','price','nid','img'])data.to_csv('%s.csv'%key,encoding='utf-8',index=False)上面代码爬取20也商品信息，并将其保存在本地的csv文件中，效果是这样的： 
三、简单数据分析有了数据，放着岂不是浪费，我可是社会主义好青年，怎能做这种事？ 那么，就让我们来简单看看这些数据叭：
（当然，数据量小，仅供娱乐参考）
1.导入库# 导入相关库import jiebaimport operatorimport pandas as pdfrom wordcloud import WordCloudfrom matplotlib import pyplot as plt 相应库的安装方法(其实基本都能通过pip解决)： - jieba
- pandas
- wordcloud
- matplotlib
2.中文显示# matplotlib中文显示plt.rcParams['font.family'] = ['sans-serif']plt.rcParams['font.sans-serif'] = ['SimHei'] 不设置可能出现中文乱码等闹心的情况哦~
3.读取数据# 读取数据key = '显卡'data = pd.read_csv('%s.csv'%key,encoding='utf-8',engine='python')
4.分析价格分布# 价格分布plt.figure(figsize=(16,9))plt.hist(data['price'],bins=20,alpha=0.6)plt.title('价格频率分布直方图')plt.xlabel('价格')plt.ylabel('频数')plt.savefig('价格分布.png')价格频率分布直方图： 
5.分析销售地分布# 销售地分布group_data = list(data.groupby('location'))loc_num = {}for i in range(len(group_data)): loc_num[group_data[i][0]] = len(group_data[i][1])plt.figure(figsize=(19,9))plt.title('销售地')plt.scatter(list(loc_num.keys())[:20],list(loc_num.values())[:20],color='r')plt.plot(list(loc_num.keys())[:20],list(loc_num.values())[:20])plt.savefig('销售地.png')sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1),reverse=True)#排序loc_num_10 = sorted_loc_num[:10] #取前10loc_10 = []num_10 = []for i in range(10): loc_10.append(loc_num_10[i][0]) num_10.append(loc_num_10[i][1])plt.figure(figsize=(16,9))plt.title('销售地TOP10')plt.bar(loc_10,num_10,facecolor = 'lightskyblue',edgecolor = 'white')plt.savefig('销售地TOP10.png')销售地分布： 
销售地TOP10： 
6.词云分析# 制作词云content = ''for i in range(len(data)): content += data['title'][i]wl = jieba.cut(content,cut_all=True)wl_space_split = ' '.join(wl)wc = WordCloud('simhei.ttf', background_color='white', # 背景颜色 width=1000, height=600,).generate(wl_space_split)wc.to_file('%s.png'%key)淘宝商品”显卡“的词云： 
写在最后感谢各位大大的耐心阅读~ 到此这篇关于用python爬取分析淘宝商品信息详解技术篇的文章就介绍到这了,更多相关python爬取淘宝商品信息内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
python使用py2neo查询Neo4j的节点、关系及路径
小白学Python之实现OCR识别 |
