Python 从零开始爬虫(五)——初遇json&爬取某宝商品信息

  能看到这里说明快进入动态网页爬取了，在这之前还有一两个知识点要了解，就如本文要讲的json及其数据提取

JSON

是什么

  json是轻量级的文本数据交换格式，符合json的格式的字符串叫json字符串，其格式就像python中字符串化后的字典，有时字典中还杂着列表字典，但是里面的数据都被双引号包着，下面是一个例子

'{"Africa": [
{ "name":"蜜獾" , "nickname":"平头哥" }, 
{ "name":"虫子" , "nickname":"小辣条" }, 
{ "name":"毒蛇" , "nickname":"大面筋" }
            ]
 }'#这是理想化的数据，实际上看到的json是不分行堆在一起，而且更多时候用unicode编码取代中文

  而且为了能更好的传输各种语言，json对非英语的字符串进行了Unicode编码，于是我们直接看到的json数据通常都是带着\uxxxx的字符串而不会带着中文，json数据还会堆在一起不换行，给我们的分析带来了困难，不过我们有json 模块让它转回中文，更有一个牛逼工具把它转回中文同时排版，分析json数据时多用这个工具。

在哪

  有时F12源码中能看到完整的信息，request回来后就残缺到没有价值，这就说明网页使用了动态或者ajax技术，而这些技术所加载的信息，就有json的身影。为了顺利爬取目标，我们需要找到json数据。

• json数据有时会直接出在对原链接request的结果中，作为信息等待被加载到网页中
• 有时会存在于独立的链接里，需要捉包获取链接再打开获得（而且这种链接的构造很重要）

json 模块

  JSON是JavaScript原生格式，亲生无误，所以在JavaScript中处理JSON数据不需要任何特殊的API或工具包。像python这样连的远亲，当然不能直接一把捉走别人的孩子，至少要带根棒棒糖来引诱一下呀，而这根棒棒糖就是json模块，python自带。

  json 模块提供了一种很简单的方式来编码和解码JSON数据，实现了JSON数据(字符串)和python对象(字典)的相互转换。
主要两个方法及常用参数：

• json.dumps(obj,ensure_ascii=True): 将一个字典（obj）转换为JSON编码的字符串，ensure_ascii默认为True，全部是ascii字符，中文会以unicode编码形式显示如\u597d；设置为False时保持中文
• json.loads(s,encoding=): 将一个JSON编码的字符串（s）转换回字典,如果传入的json字符串的编码不是UTF-8的话，需要用encoding指定字符编码

如果你要处理的是文件而不是字符串/字典，你可以使用 json.dump() 和 json.load() 来编码和解码JSON数据。

# 编码成json数据写入，data是字典
with open('data.json', 'w') as f:
    json.dump(data, f)

# 读取json数据并解码，data是字典
with open('data.json', 'r') as f:
    data = json.load(f)

另：requests对象的json()方法也可以把json数据转为字典，dict = r.json(encoding=)

实战：简单爬取淘宝商品信息

  爬虫领域内json的知识知道这些就行，那么马上来个实战了解一下怎样提取json中的数据，加深对json的认识吧，正好可以拿某宝来试手，商品的json数据直接出在对原链接request的结果中，不用捉包。（然而大多数json数据不会这样出现，这里选择某宝方便展示）

构造链接（重要）

重要，但这也是要培养的能力，在这里只详细讲一次思路，以后靠自己分析

  构造链接的原则是尽可能多的相关参数，尽可能少的无关参数，网址中?之后用&连起来的赋值关系就是那些参数，这些参数会传到服务器中，服务器根据它们来返回数据。爬虫中，页数，排序，日期等这类的参数是关键。我们要动态的修改这些参数来构造链接，观察能力很重要。还有构造链接时要多requests下来测试哪些是相关参数，哪些参数是无关紧要的，不是只看浏览器就行的

  先进入官网搜索一件商品，这里以GTX1060为例，第一次出现的链接如下，

'https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5-e&commend=all&imgfile=&q=GTX1060&suggest=history_1&_input_charset=utf-8&wq=GTX&suggest_query=GTX&source=suggest'

  很长是吧，能大约的看到日期，商品名之类的参数，但是大部分参数都看不懂，我们假设部分参数是不影响爬取结果的，于是我们来继续按下看看有什么变化，当再次按下搜索键

  链接变短了,在按多几下都是这个链接了

'https://s.taobao.com/search?q=GTX1060&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180428&ie=utf8'#初步结构

  为了确保泛用性，我们换个商品再搜索，发现链接除q参数（商品名）改变外，其他一模一样，由此我们初步确定了链接结构，q参数是商品名，initiative_id是当天日期，其他不用变
  但我们的还要有翻页和排序的功能没实现，链接里也看不到和它们有关的参数，因此我们要继续按来引相关参数出来，点击排序那排按钮

  发现又多了一个sort参数，不同的排序方式对应不同的值，有default（默认综合排序），sale-desc（按销量），renqi-desc（按人气）等

  按下一页，又多了bcoffset，p4ppushleft，s三个参数，经测试只有s参数有用，其他两个都不影响爬取结果（直接去掉），s是页数相关参数，值是44的倍数（因为每页加载44件商品），第一页0，第二页44，第三页88……

  到此就捕捉到q，initiative_id，sort，s等参数了，如果想增加其它相关参数，就自己到处按捣鼓吧，下面就这4个参数进行构造，可以format格式化，也可以将参数通过requests.get()的params参数传入，下面选择格式化

#使用格式化输出，传四个字符串变量进去
url = 'https://s.taobao.com/search?q={name}&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id={date}&ie=utf8&s={num}&sort={sort}'.format(name=,date=,num=,sort=)

剩下的就是整合到循环进行多页爬取了，代码最后贴上，下面在看看json数据怎样提取。

json数据分析&提取

先拿一个链接requests下来保存到txt看看先，打开后看到一大堆又字典又列表的东西，仔细一看这货是符合json格式的字符串，里面有我们要的信息。二话不说马上扔到那个工具里排版一下，排完后如图

我们知道json数据本质是字符串，也可以用json.load()转化为字典，这样的话就有两种提取信息的方法

• 直接用正则对字符串匹配，缺点是当json存在\uxxxx的unicode编码时你会得到\uxxxx而不是中文，然而还是有办法绕过编码问题——可以通过str(json.load())得到字典（已解码回中文）后再强转为字符串再匹配，但是要注意单引号问题
• 转为字典后逐层索引下去，缺点是当结构过于复杂时，索引也比较麻烦。

最终代码

github获取源码（陆续还有其他大大小小的爬虫项目，随阅）

不要看完就算了，记得多实践，撸起袖子就是干

from datetime import date
import re
import json
import requests
def taobao(keyword,pages,select_type,date_):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
    url = 'https://s.taobao.com/search?q={}&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id={}&ie=utf8&sort={}'.format(keyword, date_, selections[select_type])
    titles=[];item_ids=[];prices=[];locations=[];sales=[];seller_ids=[];store_names=[]
    for i in range(pages):
        r = requests.get(url+'&s={}'.format(str(i*44)),headers=headers,)


        data = re.search(r'g_page_config = (.+);',r.text)#捕捉json字符串
        data = json.loads(data.group(1),encoding='utf-8')#json转dict
        for auction in data['mods']['itemlist']['data']['auctions']:
            titles.append(auction['raw_title'])#商品名
            item_ids.append(auction['nid'])#商品id
            prices.append(auction['view_price'])#价格
            locations.append(auction['item_loc'])#货源
            sales.append(auction['view_sales'])#卖出数量
            seller_ids.append(auction['user_id']) #商家id
            store_names.append(auction['nick'])#店铺名

        #正则实现
        '''titles.extend(re.findall(r'"raw_title":"(.+?)"',r.text,re.I)) 
        item_ids.extend( re.findall(r'"nid":"(.+?)"',r.text,re.I))
        prices.extend(re.findall(r'"view_price":"([^"]+)"',r.text,re.I)) 
        locations.extend(re.findall(r'"item_loc":"([^"]+)"',r.text,re.I))
        sales.extend(re.findall(r'"view_sales":"([^"]+)"',r.text,re.I)) 
        seller_ids.extend(re.findall(r'"user_id":"([^"]+)"',r.text,re.I)) 
        store_names.extend(re.findall(r'"nick":"([^"]+)"',r.text,re.I)) '''
    #单纯打印出来看
    print (len(titles),len(item_ids),len(prices),len(locations),len(sales),len(seller_ids),len(store_names))
    print(titles)
    print(item_ids)
    print(prices)
    print(locations)
    print(sales)
    print(seller_ids)
    print(store_names)


selections = {'0':'default',
              '1':'renqi-desc',
              '2':'sale-desc'}
keyword = input('输入商品名\n')
pages = int(input('爬多少页\n'))
date_ =  'staobaoz_' + str(date.today()).replace('-','')
if input('yes/no  for 改排序方式,默认综合')=='yes':
    select_type = input('输入1按人气，输入2按销量')
else:
    select_type = '0'
taobao(keyword,pages,select_type,date_)