題外話：

《Pi Network 免費挖礦國外熱門項目 一個π幣大約值3元到10元》相信過去BTC的人，信不信未來的PI，了解一下，唯一一個高度與之持平的項目

?

能看到這里說明快進入動態網頁爬取了，在這之前還有一兩個知識點要了解，就如本文要講的json及其數據提取

JSON

---

是什么

??json是輕量級的文本數據交換格式，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，有時字典中還雜著列表字典，但是里面的數據都被雙引號包著，下面是一個例子

'{"Africa": [ { "name":"蜜獾" , "nickname":"平頭哥" }, { "name":"蟲子" , "nickname":"小辣條" }, { "name":"毒蛇" , "nickname":"大面筋" }]}'#這是理想化的數據，實際上看到的json是不分行堆在一起，而且更多時候用unicode編碼取代中文

而且為了能更好的傳輸各種語言，json對非英語的字符串進行了Unicode編碼，于是我們直接看到的json數據通常都是帶著\uxxxx的字符串而不會帶著中文，json數據還會堆在一起不換行，給我們的分析帶來了困難，不過我們有json 模塊讓它轉回中文，更有一個牛逼工具把它轉回中文同時排版，分析json數據時多用這個工具。

在哪

??有時F12源碼中能看到完整的信息，request回來后就殘缺到沒有價值，這就說明網頁使用了動態或者ajax技術，而這些技術所加載的信息，就有json的身影。為了順利爬取目標，我們需要找到json數據。

• json數據有時會直接出在對原鏈接request的結果中，作為信息等待被加載到網頁中
• 有時會存在于獨立的鏈接里，需要捉包獲取鏈接再打開獲得（而且這種鏈接的構造很重要）

json 模塊

---

??JSON是JavaScript原生格式，親生無誤，所以在JavaScript中處理JSON數據不需要任何特殊的API或工具包。像python這樣連的遠親，當然不能直接一把捉走別人的孩子，至少要帶根棒棒糖來引誘一下呀，而這根棒棒糖就是json模塊，python自帶。

??json 模塊提供了一種很簡單的方式來編碼和解碼JSON數據，實現了JSON數據(字符串)和python對象(字典)的相互轉換。
主要兩個方法及常用參數：

• json.dumps(obj,ensure_ascii=True): 將一個字典（obj）轉換為JSON編碼的字符串，ensure_ascii默認為True，全部是ascii字符，中文會以unicode編碼形式顯示如\u597d；設置為False時保持中文
• json.loads(s,encoding=): 將一個JSON編碼的字符串（s）轉換回字典,如果傳入的json字符串的編碼不是UTF-8的話，需要用encoding指定字符編碼

如果你要處理的是文件而不是字符串/字典，你可以使用 json.dump() 和 json.load() 來編碼和解碼JSON數據。

# 編碼成json數據寫入，data是字典 with open('data.json', 'w') as f:json.dump(data, f)# 讀取json數據并解碼，data是字典 with open('data.json', 'r') as f:data = json.load(f)

另：requests對象的json()方法也可以把json數據轉為字典，dict = r.json(encoding=)

實戰：簡單爬取淘寶商品信息

??爬蟲領域內json的知識知道這些就行，那么馬上來個實戰了解一下怎樣提取json中的數據，加深對json的認識吧，正好可以拿某寶來試手，商品的json數據直接出在對原鏈接request的結果中，不用捉包。（然而大多數json數據不會這樣出現，這里選擇某寶方便展示）

構造鏈接（重要）

重要，但這也是要培養的能力，在這里只詳細講一次思路，以后靠自己分析

??構造鏈接的原則是盡可能多的相關參數，盡可能少的無關參數，網址中?之后用&連起來的賦值關系就是那些參數，這些參數會傳到服務器中，服務器根據它們來返回數據。爬蟲中，頁數，排序，日期等這類的參數是關鍵。我們要動態的修改這些參數來構造鏈接，觀察能力很重要。還有構造鏈接時要多requests下來測試哪些是相關參數，哪些參數是無關緊要的，不是只看瀏覽器就行的

??先進入官網搜索一件商品，這里以GTX2080為例，第一次出現的鏈接如下，

淘寶首頁搜索框剛輸入完的時候，鏈接變化

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=gtx2080ti&suggest=history_2&_input_charset=utf-8&wq=&suggest_query=&source=suggest

很長是吧，能大約的看到日期，商品名之類的參數，但是大部分參數都看不懂，我們假設部分參數是不影響爬取結果的，于是我們來繼續按下看看有什么變化，當再次按下搜索鍵

鏈接變短了,在按多幾下都是這個鏈接了

按“搜索”后的鏈接變短了

#初步結構 https://s.taobao.com/search?q=gtx2080ti&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200205&ie=utf8

為了確保泛用性，我們要多換幾個商品再搜索，確定一下，發現鏈接除q參數（商品名）改變外，其他一模一樣，由此我們初步確定了鏈接結構，q參數是商品名，initiative_id是當天日期，其他不用變
??但我們的還要有翻頁和排序的功能沒實現，鏈接里也看不到和它們有關的參數，因此我們要繼續按來引相關參數出來，點擊排序那排按鈕

發現又多了一個sort參數，不同的排序方式對應不同的值，有default（默認綜合排序），sale-desc（按銷量），renqi-desc（按人氣）等

??按下一頁，又多了bcoffset，p4ppushleft，s三個參數，經測試只有s參數有用，其他兩個都不影響爬取結果（直接去掉），s是頁數相關參數，值是44的倍數（因為每頁加載44件商品），第一頁0，第二頁44，第三頁88……

??到此就捕捉到q，initiative_id，sort，s等參數了，如果想增加其它相關參數，就自己到處按搗鼓吧，下面就這4個參數進行構造，可以format格式化，也可以將參數通過requests.get()的params參數傳入，下面選擇格式化

我們將URL的參數格式化一下

#使用格式化輸出，傳四個字符串變量進去 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環進行多頁爬取了，代碼最后貼上，下面在看看json數據怎樣提取。

json數據分析&提取

先拿一個鏈接requests下來保存到txt看看先，打開后看到一大堆又字典又列表的東西，仔細一看這貨是符合json格式的字符串，里面有我們要的信息。二話不說馬上扔到那個工具里排版一下，排完后如圖

我們知道json數據本質是字符串，也可以用json.load()轉化為字典，這樣的話就有兩種提取信息的方法

• 直接用正則對字符串匹配，缺點是當json存在\uxxxx的unicode編碼時你會得到\uxxxx而不是中文，然而還是有辦法繞過編碼問題——可以通過str(json.load())得到字典（已解碼回中文）后再強轉為字符串再匹配，但是要注意單引號問題
• 轉為字典后逐層索引下去，缺點是當結構過于復雜時，索引也比較麻煩。

?

最終代碼（替換版，使用了selenium模塊）

安裝selenium模塊 pip install selenium

需要下載chromedriver，并且一定要適應自己的谷歌瀏覽器版本（版本查看，不懂的留言！！！）

這里提供一份對應版本的谷歌瀏覽器安裝包（ 版本號：79.0.3945.130——正式穩定版本32 位的）和對應的chromedriver，點擊以下鏈接獲取https://download.csdn.net/download/u011280778/12137818（剛上傳待審核，如果鏈接錯誤，麻煩給我留言）

?

不要看完就算了，記得多實踐，擼起袖子就是干

import time from selenium import webdriver from lxml import htmletree = html.etree# 爬取函數 def start_search_result(keys):# 創建瀏覽器對象browner = webdriver.Chrome()browner.get('https://www.taobao.com/')# 給搜索框賦值kw = browner.find_element_by_id("q") # qkw.send_keys(keys)# 模擬點擊搜索按鈕事件iconfont = browner.find_element_by_class_name('search-button')iconfont.click()# 滑動至瀏覽器下端browner.execute_script("window.scrollTo(0, document.body.scrollHeight);")time.sleep(5)# 獲取網頁源碼html = browner.page_source# 獲取HTML數據html_etree = etree.HTML(html)return html_etree#解析爬取結果函數 def analysis_html(html_etree):print("================================================================")# 獲取商品列表goods_list = html_etree.xpath('//div[@class="items"]/div')# 存儲字典的列表goods_map_list = []for k_value in goods_list:# 獲取圖片地址pic_src = "https:" + k_value.xpath('./div[@class="pic-box J_MouseEneterLeave J_PicBox"]/div[@class="pic-box-inner"]/div[@class="pic"]/a/img/@src',stream=True)[0]# 獲取價格price = "￥" + k_value.xpath('./div[2]/div[1]/div[@class="price g_price g_price-highlight"]/strong/text()',stream=True)[0]# 獲取標題title_list = k_value.xpath('./div[2]/div[2]/a/text()', stream=True)title = "".join(title_list).strip().replace("\n", "")# 獲取店鋪名shop_elem = k_value.xpath('./div[2]/div[3]/div[@class="shop"]/a/text()', stream=True)shop_name = "".join(shop_elem).replace("\n", "").strip()if (len(shop_name) == 0):shop_elem = k_value.xpath('./div[2]/div[3]/div[@class="shop"]/a/span[2]/text()', stream=True)shop_name = "".join(shop_elem).replace("\n", "").strip()infor_map = {}infor_map['pic'] = pic_srcinfor_map['price'] = priceinfor_map['title'] = titleinfor_map['shop'] = shop_namegoods_map_list.append(infor_map)return goods_map_list# 主函數 def main():search_key = input('輸入商品名:\n')print("search_key = ", search_key)# 先獲取爬取的HTML文本html_etree = start_search_result(search_key)# 解析HTML，將商品列表存到list里面goods_list = analysis_html(html_etree)for item in goods_list:print("標題：" + item["title"])print("價格：" + item["price"])print("圖片：" + item["pic"])print("店鋪：" + item["shop"])print('-' * 100)main()

效果截圖：

總結

以上是生活随笔為你收集整理的Python爬虫自学之第（⑤）篇——爬取某宝商品信息的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。