声明：本博客只是简单的爬虫示范，并不涉及任何商业用途。

一.前言

最近博主在浏览淘宝时突然萌发了一个想爬它的念头，于是说干就干，我便开始向淘宝“下毒手”了。由于本人平时经常喜欢在淘宝上浏览各种手机的信息，于是我便以“手机”为关键词进行搜索，最后我利用爬虫获取了所有相关的手机信息，并对各种厂家生成手机的销量进行了一波可视化，下面是完整的记录过程。

二.爬虫过程

2.1 解决淘宝的登录问题

首先，我在浏览器中打开淘宝，然后登录后以手机为关键词进行搜索，得到如下链接：

https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8

但当我用requests库请求该url时，结果却发现要先登录，即会出现下述界面：
淘宝登录页面
这个问题要如何解决呢？我首先想到的是利用cookie，于是我便在登录淘宝时，通过Chrome浏览器的开发者工具获取到了登录淘宝的cookie，然后我将该cookie作为参数传入reqeusts库的相关函数，结果发现成功获取到想要的页面！

2.2 页面URL分析

在页面的下方可以看到手机售卖的页面共有100页，那么要如何获取到对应的页面呢？我先点击下方的按钮获取到了几个页面的url，展示如下：

https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44
https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88
https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=-3&ntoffset=-3&p4ppushleft=1%2C48&s=132

根据观察上述url中变化的只有bcoffset，ntoffset以及s，但是只有最后一个参数s改变才会使得页面翻转，而最后一个参数s是递增的，每次增加44，因此我们可以通过改变s来获取翻页的URL。

2.3 数据提取

在淘宝页面右键->查看源代码，可以发现数据数据隐藏在名为g_page_config的json对象里面：
网页源码
因此，可以先通过正则表达式将其过滤出来，然后利用json模块将其加载为python对象，之后便可以对其进行数据提取(详细的提取过程参加后面的完整代码)，需要提取的数据展示如下：
提取信息

2.4 爬虫完整流程

综合以上几点，淘宝手机信息爬取的流程图如下图所示：
爬虫流程

2.5 爬取程序及结果展示

完整的爬虫程序展示如下：

from bs4 import BeautifulSoup
import requests
import re
import json
import random
import pandas as pd
import tracebackIPRegular = r"(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])"headers = {"User-Agent": "换成自己的User-Agent","cookie": "换成自己登录的淘宝cookie"
}def ExtractIP(url="https://ip.ihuan.me/"):"""功能：抓取IP，返回IP列表url：抓取IP的网站"""IPs = []response = requests.get(url)soup = BeautifulSoup(response.content,"lxml")                                tds = soup.find_all("a",attrs = {'target':'_blank'})for td in tds:string = td.textif re.search(IPRegular,string) and string not in IPs:IPs.append(string)print(IPs)return IPsdef Filter(mobile_infos):"""功能：过滤出手机的相关信息mobile_infos："""mobile_list = [] #存储手机信息的列表for mobile_info in mobile_infos:title = mobile_info['raw_title']price = mobile_info['view_price']loc = mobile_info['item_loc'].replace(' ','')shop = mobile_info['nick']#print(mobile_info['view_sales'])sales = re.search(r'(\d+.?\d*).*人付款',mobile_info['view_sales']).group(1)if sales[-1] == '+':#去掉末尾的加号sales = sales[:-1]if '万' in mobile_info['view_sales']:sales = float(sales) * 10000print(title,price,loc,shop,int(sales),mobile_info['view_sales'])mobile_list.append([title,price,loc,shop,int(sales)])return mobile_listdef Saver(mobiles):"""功能：保存爬取信息mobiles：手机信息列表"""mdata = pd.DataFrame(mobiles,columns=['手机名','价格','店铺位置','店铺名','销量'])mdata.to_csv('mobile_info.csv',index=False)def Spider(page_nums = 100):"""功能：爬虫主程序page_nums：待爬取的页数"""#爬取代理IPIPs = ExtractIP()length,mobiles,i = len(IPs),[],0while i < page_nums:try:print('--------------------正在爬取第{}页--------------------'.format(i + 1))url = "https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=3&ntoffset=0&p4ppushleft=1%2C48&data-key=s&data-value={}".format(i*44)#设置代理ipindex = random.randint(0,length - 1)proxies = {"http":"{}:8080".format(IPs[index])}#请求网页response = requests.get(url,headers=headers,proxies=proxies)#利用正则表达式获取包含手机信息json数据match_obj = re.search(r'g_page_config = (.*?)};',response.text)#将json对象加载为python字典mobile_infos= json.loads(match_obj.group(1) + '}')['mods']['itemlist']['data']['auctions']#过滤出字典中的有用信息mobiles += Filter(mobile_infos)i += 1except Exception:traceback.print_exc()print('手机信息第{}页爬取失败'.format(i + 1))i += 1#保存手机信息为csv文件Saver(mobiles)if __name__ == "__main__":Spider()

利用上述方式将爬取的数据保存为csv文件，部分结果截图展示如下：
部分爬取结果

三.数据处理及分析

3.1 数据去重

通过爬虫一共获取到4400多条记录，但其中有没有重复数据呢，于是我通过pandas来对其进行重复行统计，结果确实返现不少重复行，对应处理代码如下：

import pandas as pdmdata = pd.read_csv('mobile_info.csv')
print(mdata[mdata.duplicated()])
"""手机名       价格  店铺位置                   店铺名    销量
61    【限时限量抢】Apple/苹果iPhone SE全网通手机苏宁易购官方旗舰店Store国行正...  3299.00  江苏南京             苏宁易购官方旗舰店  2998
92                                 糖果手机Sugar Y9指纹识别全网通5   399.00  广东深圳            sugar手机旗舰店     6
93                       现货OnePlus/一加 A6010一加6T手机1+6T手机  1439.00  广东深圳                  港柏数码   301
136                                糖果手机Sugar Y9指纹识别全网通5   399.00  广东深圳            sugar手机旗舰店     6
137                      现货OnePlus/一加 A6010一加6T手机1+6T手机  1439.00  广东深圳                  港柏数码   301
180                                糖果手机Sugar Y9指纹识别全网通5   399.00  广东深圳            sugar手机旗舰店     6
181                      现货OnePlus/一加 A6010一加6T手机1+6T手机  1439.00  广东深圳                  港柏数码   301...      ...   ...                   ...   ...
"""