先说一下最终要达到的效果:谷歌浏览器登陆淘宝后,运行python项目,将任意任意淘宝商品的链接传入,并手动选择商品属性,输出其价格与剩余库存,然后选择购买数,自动加入购物车。
在开始爬取淘宝链接之前,咱么要先做一些准备工作,我项目中使用的是 python2.7 ,开发与运行环境都是win10,浏览器是64位chrome 59.0.3。由于淘宝的模拟登陆涉及到一些复杂的UA码算法以及滑块登陆验证,能力有限,为了图省事就使用浏览器手动登录淘宝然后python获取生成的cookie的方式来爬取登录后的数据。
获取cookie
要获取登录成功后的cookie,一种办法是浏览器打开开发者工具,手动复制cookie,但是这样比较麻烦,因为淘宝里面的请求很多不是同一个域,所以发送给服务器的cookie也不一样,如果换一个地址就手动复制一次也太low了,咱们为了有big一些,直接读取chrome存储在本地的cookie,然后拼出来。
网上查了一下,chrome的中的cookie以sqlite的方式存储在 %LOCALAPPDATA%\Google\Chrome\User Data\Default\Cookies 目录下,cookie的value也经过了CryptUnprotectData加密。知道了这些,我们就可以往下走了。
这里需要用到sqlite3模块
def get_cookie(url):
"""
获取该的可用cookie
:param url:
:return:
"""
domain = urllib2.splithost(urllib2.splittype(url)[1])[0]
domain_list = ['.' + domain, domain]
if len(domain.split('.')) > 2:
dot_index = domain.find('.')
domain_list.append(domain[dot_index:])
domain_list.append(domain[dot_index + 1:])
conn = None
cookie_str = None
try:
conn = sqlite3.connect(r'%s\Google\Chrome\User Data\Default\Cookies' % os.getenv('LOCALAPPDATA'))
cursor = conn.cursor()
print '-' * 50
sql = 'select host_key, name, value, encrypted_value, path from cookies where host_key in (%s)' % ','.join(['"%s"' % x for x in domain_list])
row_list = cursor.execute(sql).fetchall()
print u'一共找到 %d 条' % len(row_list)
print '-' * 50
print u'%-20s\t%-5s\t%-5s\t%s' % (u'域', u'键', u'值', u'路径')
cookie_list = []
for host_key, name, value, encrypted_value, path in row_list:
decrypted_value = win32crypt.CryptUnprotectData(encrypted_value, None, None, None, 0)[1].decode(print_charset) or value
cookie_list.append(name + '=' + decrypted_value)
print u'%-20s\t%-5s\t%-5s\t%s' % (host_key, name, decrypted_value, path)
print '-' * 50
cookie_str = '; '.join(cookie_list)
except Exception:
raise CookieException()
finally:
conn.close()
return cookie_str, domain
get_cookie函数的开头需要获取domain_list是因为淘宝的一些请求是跨域共享cookie的,所以要把该url所有可用的cookie提取出来。然后,我们就可以拿着这个cookie去请求登陆后的数据啦。
设置代理
不过一般在请求数据前需要再做一件事——设置代理,使用高匿代理可以有效地避免淘宝的反爬虫机制封禁本机IP。代理的获取途径有很多,网上能找到不少免费的代理,虽然不是很稳定,不过咱们只是玩玩,就不计较这些了,随便百度了一下,找到一个www.xicidaili.com网站,咱们就爬取这个网站的高匿代理来作为我们的代理,获取成功后访问bing来测试咱们的代理是否可用。
def set_proxy():
"""
设置代理
"""
# 获取xicidaili的高匿代理
proxy_info_list = [] # 抓取到的ip列表
for page in range(1, 2): # 暂时只抓第一页
request = urllib2.Request('http://www.xicidaili.com/nn/%d' % page)
request.add_header('Accept-Encoding', 'gzip, deflate')
request.add_header('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8')
request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')
response = urllib2.urlopen(request, timeout=5)
headers = response.info()
content_type = headers.get('Content-Type')
if content_type:
charset = re.findall(r"charset=([\w-]+);?", content_type)[0]
else:
charset = 'utf-8'
if headers.get('Content-Encoding') == 'gzip':
gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))
content = gz.read().decode(charset)
gz.close()
else:
content = response.read().decode(charset)
response.close()
print u'获取第 %d 页' % page
ip_page = re.findall(r'<td>(\d.*?)</td>', content)
proxy_info_list.extend(ip_page)
time.sleep(random.choice(range(1, 3)))
# 打印抓取的内容
print u'代理IP地址\t端口\t存活时间\t验证时间'
for i in range(0, len(proxy_info_list), 4):
print u'%s\t%s\t%s\t%s' % (proxy_info_list[i], proxy_info_list[i + 1], proxy_info_list[i + 2], proxy_info_list[i + 3])
all_proxy_list = [] # 待验证的代理列表
# proxy_list = [] # 可用的代理列表
for i in range(0, len(proxy_info_list), 4):
proxy_host = proxy_info_list[i] + ':' + proxy_info_list[i + 1]
all_proxy_list.append(proxy_host)
# 开始验证
# 单线程方式
for i in range(len(all_proxy_list)):
proxy_host = test(all_proxy_list[i])
if proxy_host:
break
else:
# TODO 进入下一页
print u'没有可用的代理'
return None
# 多线程方式
# threads = []
# # for i in range(len(all_proxy_list)):
# for i in range(5):
# thread = threading.Thread(target=test, args=[all_proxy_list[i]])
# threads.append(thread)
# time.sleep(random.uniform(0, 1))
# thread.start()
#
# # 等待所有线程结束
# for t in threading.enumerate():
# if t is threading.currentThread():
# continue
# t.join()
#
# if not proxy_list:
# print u'没有可用的代理'
# # TODO 进入下一页
# sys.exit(0)
print u'使用代理: %s' % proxy_host
urllib2.install_opener(urllib2.build_opener(urllib2.ProxyHandler({'http': proxy_host})))
本来是想使用多线程来验证代理可用性,当有一个测试通过后想关闭其他线程,结束验证请求,但是没找到解决办法,就暂时先用循环一个一个来验证了,有其他思路想法的小伙伴可以在留言区指教。
分析页面
接下来,我们需要获取商品每个sku所对应的价格和库存,先说一下我的分析过程,有更好的分析方法可以留言或私信交流。打开 Chrome Web Developer Tools ,输入某个淘宝商品的地址,将工具切换到Network标签,然后在标签内容中右键 - > save as HAR with content,将当前所有请求和响应的文本内容保存到本地,用编辑器打开,然后通过关键字搜索想要的东西然后分析猜测。
经过推测,淘宝中每个商品属性有一个id保存在data-value中,
通过不同的属性值可以组合成不同的“sku_key”,然后通关页面中的skuMap来获取该sku_key对应的sku信息
这里有三步比较关键
- 通过正则来获取页面中的skuMap数据,然后转化为python的字典对象;
- 对不同的属性值进行排列组合,寻找是否有sku_key(通过itertools模块的permutations函数实现)
- 将中文的属性名和属性值对应起来,以便于后续通过输入属性来获取sku数据
获取商品信息
def get_base_info(page_url):
"""
从页面获取基本的参数
:param page_url:
:return:
"""
page_url = page_url.strip()
cookie_str = get_cookie(page_url)
print u'page cookie :', cookie_str
request = urllib2.Request(page_url)
request.add_header('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8')
request.add_header('Accept-Encoding', 'gzip, deflate, br')
request.add_header('Cookie', cookie_str)
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')
response = urllib2.urlopen(request)
headers = response.info()
content_type = headers.get('Content-Type')
if content_type:
charset = re.findall(r"charset=([\w-]+);?", content_type)[0]
else:
charset = 'utf-8'
if headers.get('Content-Encoding') == 'gzip':
gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))
content = gz.read().decode(charset)
gz.close()
else:
content = response.read().decode(charset)
with open(u'.\content.html', 'w+') as page_file:
page_file.write(content.encode(print_charset)) # 写入文件待观察
# 获取item_id
item_id = re.findall(r'(^|&)id=([^&]*)(&|$)', page_url[page_url.find('?'):])[0][1]
# 获取sku_dict
sku_map = json.loads(re.findall(r'skuMap\s*:\s*(\{.*\})\n\r?', content)[0])
sku_dict = {}
for k, v in sku_map.items():
sku_dict[k] = {
'price': v['price'], # 非推广价
'stock': v['stock'], # 库存
'sku_id': v['skuId'] # skuId
}
ct = re.findall(r'"ct"\s*:\s*"(\w*)",', content)[0]
timestamp = int(time.time())
doc = pq(content)
# ========== 获取每个类别属性及其属性值的集合 start ==========
prop_to_values = {}
for prop in doc('.J_Prop ').items():
values = []
for v in prop.find('li').items():
values.append({
'name': v.children('a').text(),
'code': v.attr('data-value')
})
prop_to_values[prop.find('.tb-property-type').text()] = values
# ========== end ==========
return {
'ct': ct,
'nekot': timestamp,
'item_id': item_id,
'prop_to_values': prop_to_values,
'sku_dict': sku_dict
}
这个函数取名叫get_base_info是因为经过几个案例分析,发现页面上的价格和库存并不是淘宝最后显示的数据,真实的数据需要通过https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm来获取,这里面包括了一些库存、推广信息。
获取可以出售的商品信息:
def get_sale_info(sib_url):
"""
获取可以出售的商品信息
:param sib_url:
:return:
"""
cookie_str, host = get_cookie(sib_url)
print u'sale cookie :', cookie_str
request = urllib2.Request(sib_url)
request.add_header('Accept', '*/*')
request.add_header('Accept-Encoding', 'gzip, deflate, br')
request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')
request.add_header('Connection', 'keep - alive')
request.add_header('Cookie', cookie_str)
request.add_header('Host', host)
request.add_header('Referer', 'https://item.taobao.com')
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')
response = urllib2.urlopen(request)
headers = response.info()
# 获取字符集
content_type = headers.get('Content-Type')
if content_type:
charset = re.findall(r"charset=([\w-]+);?", content_type)[0]
else:
charset = 'utf-8'
if headers.get('Content-Encoding') == 'gzip':
gz = gzip.GzipFile(fileobj=StringIO.StringIO(response.read()))
content = gz.read().decode(charset)
gz.close()
else:
content = response.read().decode(charset)
json_obj = json.loads(content)
sellable_sku = json_obj['data']['dynStock']['sku'] # 可以售卖的sku
promo_sku = json_obj['data']['promotion']['promoData'] # 推广中的sku
if promo_sku:
for k, v in sellable_sku.items():
promos = promo_sku[k]
if len(promos) > 1:
print u'有多个促销价,建议手动确认'
price = min([float(x['price']) for x in promos])
v['price'] = price
# TODO amountRestriction 限购数量
return sellable_sku
ps:不久前才发现还有限购数量的限制,不过并不影响后续加入购物车的操作,就暂时先加入TODO,以后再更新
根据用户输入获取商品单价以及库存
最后通过终端输入地址和属性获取商品信息,看看能不能成功。
def check_item():
page_url = raw_input(u'请输入商品地址:'.encode(print_charset)).decode(print_charset)
base_info = get_base_info(page_url)
item_id = base_info['item_id']
modules = ['dynStock', 'qrcode', 'viewer', 'price', 'duty', 'xmpPromotion', 'delivery', 'activity',
'fqg', 'zjys', 'couponActivity', 'soldQuantity', 'contract', 'tradeContract']
ajax_url = 'https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId=%s&modules=%s' % (item_id, ','.join(modules))
print 'request -> ', ajax_url
sku_dict = get_sale_info(ajax_url)
prop_to_values = base_info['prop_to_values']
base_info_sku_dict = base_info['sku_dict']
info = {
'ct': base_info['ct'],
'nekot': base_info['nekot'],
'item_id': base_info['item_id'],
'prop_to_values': prop_to_values,
}
for k, v in sku_dict.items():
v['sku_id'] = base_info_sku_dict[k].get('sku_id')
if 'price' not in v.keys():
v['price'] = base_info_sku_dict[k].get('price')
info['sku_dict'] = sku_dict
with open(u'.\sku.json', 'w+') as sku_file:
sku_file.write(json.dumps(info, ensure_ascii=False).encode('utf-8'))
code_list = []
item_prop = raw_input(u'请输入商品类别名称(如:颜色分类,直接回车结束输入):'.encode(print_charset)).decode(print_charset)
while item_prop:
if item_prop in prop_to_values.keys():
prop_values = prop_to_values[item_prop]
sku_value = raw_input(u'请输入商品属性(如:可爱粉):'.encode(print_charset)).decode(print_charset)
for v in prop_values:
if v.get('name') == sku_value:
code_list.append(v.get('code'))
break
else:
print u'没有该属性'
else:
print u'没有该类别'
item_prop = raw_input(u'请输入商品类别名称(如:颜色分类,直接回车结束输入):'.encode(print_charset)).decode(print_charset)
sku_id = None
price = None
stock = None
for x in list(permutations(code_list, len(code_list))):
if ';' + ';'.join(map(str, x)) + ';' in sku_dict.keys():
item_prop = ';' + ';'.join(map(str, x)) + ';'
sku_id = sku_dict[item_prop]['sku_id']
price = sku_dict[item_prop]['price']
stock = sku_dict[item_prop]['stock']
print u'%s\t%s' % (u'sku_key为:', item_prop)
print u'%s\t%s' % (u'sku_id为:', sku_id)
print u'%s\t%s' % (u'单价为:', price)
print u'%s\t%s' % (u'库存为:', stock)
break
else:
print u'没有该款式。'
加入购物车
如果以上输出没毛病,就可以正式进入下一步了,加入购物车,试着自己在浏览器上加入购物车,然后观察请求,发现请求是通过cart.taobao.com/add_cart_item.htm这个地址发送的,分析了一下关键的发送参数:
item_id —— 商品ID(页面的g_config中)
outer_id —— skuId(skuMap中)
outer_id_type —— outer_id类型,2表示outer_id传递的是skuid
quantity —— 需要加入购物车的数量
opp —— 单价
_tb_token_ —— 可以从cookie中获取
ct —— (g_config.vdata.viewer中)
deliveryCityCode —— 发货城市 (sib.htm中,暂时取默认或者不填)
nekot —— 当前时间戳
既然需要的东西都找到了,那就好办了:
def add_item_to_cart(item_id, sku_id, price, ct, nekot, tb_token, stock):
"""
添加商品到购物车
:param item_id:
:param sku_id:
:param price:
:param ct:
:param nekot:
:param tb_token:
:param stock:
:return:
"""
add_cart_url = 'https://cart.taobao.com/add_cart_item.htm?'
cookie_str, host = get_cookie(add_cart_url)
print u'cookie串:', cookie_str
quantity = raw_input(u'请输入需要加到购物车的数量:'.encode(print_charset))
if quantity.isdigit():
quantity = int(quantity)
if quantity > stock:
print u'超过最大库存', stock
else:
print u'非法输入'
params = {
'item_id': item_id,
'outer_id': sku_id,
'outer_id_type': '2',
'quantity': quantity,
'opp': price,
'nekot': nekot,
'ct': ct,
'_tb_token_': tb_token,
'deliveryCityCode': '',
'frm': '',
'buyer_from': '',
'item_url_refer': '',
'root_refer': '',
'flushingPictureServiceId': '',
'spm': '',
'ybhpss': ''
}
request = urllib2.Request(add_cart_url + urllib.urlencode(params))
request.add_header('Accept', '*/*')
request.add_header('Accept-Encoding', 'gzip, deflate, br')
request.add_header('Accept-Language', 'zh-CN,zh;q=0.8,en;q=0.6')
request.add_header('Connection', 'keep - alive')
request.add_header('Cookie', cookie_str)
request.add_header('Host', host)
request.add_header('Referer', 'https://item.taobao.com/item.htm')
request.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36')
response = urllib2.urlopen(request)
headers = response.info()
content_type = headers.get('Content-Type')
if content_type:
charset = re.findall(r"charset=([\w-]+);?", content_type)[0]
else:
charset = 'utf-8'
http_code = response.getcode()
if http_code == 200:
print u'添加到购物车成功'
这里需要注意http_code=200时不一定是加入成功,如果没有登录也会返回200,后续研究后会完善。
————————————————
就写到这里,需要完整的代码戳这里 →→ Python淘宝爬虫程序,有兴趣的小伙伴欢迎随时过来打脸。
————————————————
项目最后更新于 2017年6月20日 ,不排除淘宝业务发生变动导致代码执行错误的可能