python爬虫由浅入深8---基于正则表达式查询的淘宝比价定向爬虫

技术路线：requests库和re库的整合

功能描述：

目标：获得淘宝搜索页面的信息，提取其中的商品名称和价格

理解：淘宝的搜索接口

   翻页的处理 程序如何处理网页翻页

首先，打开淘宝首页，搜索“书包”，，并翻页，发现导航栏的url为

由此即可确定我们所要爬取页面的url接口

然后，不得不看的就是网站的robots.txt协议咯，

呃呃呃，这个就很尴尬，但是，没有什么能够阻挡~~~我们对爬虫向往~~~~

具体咋办，再说吧。。。

程序的结构设计：

1.提交商品请求，循环获取页面

2.对于每个页面，提取商品名称和价格信息

3.将信息输出至屏幕

我们可以将每一步骤封装为一个函数，然后编写代码咯~~~~

通过查看网页源代码，可得与商品价格，以及商品名称相关的htmml代码

因为所要提取的信息并非是位于一个结构清晰的html结构标签内，故在此则不选用beautifulsoup，而是使用re正则表达式匹配搜索会更加方便一些

代码实现：

# -*-coding:utf-8-*-
import requests
import re
def getHTMMLText(url):
    try:
        r = requests.get(url,timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

def parserPage(ilt,html):
    try:
        plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"',html)
        tlt = re.findall(r'\"raw_title\"\:\".*?\"',html)
        for i in range(len(plt)):
            price = eval(plt[i].split(':')[1])
            title = eval(tlt[i].split(':')[1])
            ilt.append([price,title])
    except:
        print("")

def printGoodList(ilt):
    tplt = "{:4}\t{:8}\t{:16}"
    print(tplt.format("序号","价格","商品名称"))
    count = 0
    for g in ilt:
        count = count+1
        print(tplt.format(count,g[0],g[1]))
        

def main():
    goods = '书包'
    depth= 2
    start_url = 'https://s.taobao.com/search?q='+goods
    infoList = []
    for i in range(depth):
        try:
            url = start_url + '&s=' + str(44*i)
            html = getHTMMLText(url)
            parserPage(infoList,html)
        except:
            continue
    printGoodList(infoList)

main()

输出如下：