本次实战案例以抓取淘宝上连衣裙信息为切入点,共抓取4356件连衣裙产品信息。在此基础上进行初步分析。这里首先感谢@大宇,后期的数据处理与图表制作全靠大神帮助。下面我们进入正式介绍环节。
淘宝、京东、链家等大型网站都采取了一定反爬策略,这篇主要讲解下爬取过程中遇到的坑与处理办法。关键词:正则表达式、json、selenium
第一步:页面分析
我们要抓取的商品页面:
这里用urllib.request或request.get方式提交网页链接后,在控制台下print出该网页源码,你会发现关于商品的店铺、省份、价格、销量等信息全都没有。当我们在审查工具中一个个点开XHR、JS、Doc下面的链接并分析时,(如下图)
会发现这些链接对应的网页中会有我们需要的商品关键信息,通过该链接可以提取出所需内容。但是…..构成这些链接的参数我们无法完全找到,甚至有些参数是动态加载的,这样就导致我们只能手动在审查工具中找到链接再提取信息,但是对于多级页面怎么办呢?在坑里待了好一段时间坑后,发现在标签下有我们需要的信息(如下图)