爬虫案例 --唯品会口红数据爬取(附源码)

一 . 抓包

1. 对唯品会官网进行分析 – 通过筛选直接搜索商品信息获得商品数据包
   https://mapi.vip.com/vips-mobile/rest/shopping/pc/product/module/list/v2
   2. 对商品数据包进行分析 – 一页数据分为三部分{50,50,20},不同商品含有一个产品信息的编码
   3. 获取本页所有产品信息的编码 – 对编码进行检索 , 获得数据包
   https://mapi.vip.com/vips-mobile/rest/shopping/pc/search/product/rank

二 . 代码实现

1. 定义产品信息数据请求函数得到数据包 – 一次请求只能得到120条数据
   2. 通过for循环进行翻页处理得到全部信息
   3. 解析获得所需要的数据 , 通过表格保存

import requests
from jsonpath import jsonpath
import re,json
from pprint import pprint
import time
import csv


class Spider():
    def __init__(self):
        self.headers = {
        'authority': 'mapi.vip.com',
        'accept': '*/*',
        'accept-language': 'zh-CN,zh;q=0.9',
        'cookie': 'vip_cps_cuid=CU1703946155093f91b22c68d55b7591; vip_cps_cid=1703946155095_f8aebf721aa4d69f55487762e3ca4c21; cps_share=cps_share; PAPVisitorId=58460c7a22e31f6b4acb2a1ed741f921; vip_new_old_user=1; vip_city_name=%E5%B9%BF%E5%B7%9E%E5%B8%82; mars_cid=1703946163504_4eebec221de3364e0da3bbe4a2182454; VipUINFO=luc%3Aa%7Csuc%3Aa%7Cbct%3Ac_new%7Chct%3Ac_new%7Cbdts%3A0%7Cbcts%3A0%7Ckfts%3A0%7Cc10%3A0%7Crcabt%3A0%7Cp2%3A0%7Cp3%3A1%7Cp4%3A0%7Cp5%3A0%7Cul%3A3105; mars_pid=0; vip_address=%257B%2522pname%2522%253A%2522%255Cu5b89%255Cu5fbd%255Cu7701%2522%252C%2522pid%2522%253A%2522103104%2522%252C%2522cname%2522%253A%2522%255Cu5e7f%255Cu5dde%255Cu5e02%2522%252C%2522cid%2522%253A%2522103104114%2522%257D; vip_province=103104; vip_province_name=%E5%AE%89%E5%BE%BD%E7%9C%81; vip_city_code=103104114; vip_wh=VIP_HZ; vip_ipver=31; user_class=a; cps=adp%3Antq8exyc%3A%40_%401704022867205%3Amig_code%3A4f6b50bf15bfa39639d85f5f1e15b10f%3Aac014miuvl0000b5sq8crnthcjdwurb0; mars_sid=ef0bd4aed17dd0eb261cda2a1a73e9d8; visit_id=43601963E9569AF31FBF7F1561D38FC9; vipshop_passport_src=https%3A%2F%2Fcategory.vip.com%2Fsuggest.php%3Fkeyword%3D%25E5%258F%25A3%25E7%25BA%25A2%26ff%3D235%7C12%7C1%7C1; vip_tracker_source_from=; vip_access_times=%7B%22list%22%3A0%2C%22detail%22%3A2%7D; pg_session_no=6; VipDFT=1',
        'referer': 'https://category.vip.com/',
        'sec-ch-ua': '"Not_A Brand";v="8", "Chromium";v="120", "Google Chrome";v="120"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': '"Windows"',
        'sec-fetch-dest': 'script',
        'sec-fetch-mode': 'no-cors',
        'sec-fetch-site': 'same-site',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
    }
        self.home_url = 'https://mapi.vip.com/vips-mobile/rest/shopping/pc/product/module/list/v2'
        self.num = 1

    def praseHomedata(self,product):
        try:
            self.sub_data = {
                'callback': ' getMerchandiseDroplets1',
                'app_name': ' shop_pc',
                'app_version': ' 4.0',
                'warehouse': ' VIP_HZ',
                'fdc_area_id': ' 103104114',
                'client': ' pc',
                'mobile_platform': ' 1',
                'province_id': ' 103104',
                'api_key': ' 70f71280d5d547b2a7bb370a529aeea1',
                'user_id': ' ',
                'mars_cid': ' 1703946163504_4eebec221de3364e0da3bbe4a2182454',
                'wap_consumer': ' a',
                'productIds': product,
                'scene': ' search',
                'standby_id': ' nature',
                'extParams': ' {"stdSizeVids":"","preheatTipsVer":"3","couponVer":"v2","exclusivePrice":"1","iconSpec":"2x","ic2label":1,"superHot":1,"bigBrand":"1"}',
                'context': ' ',
                '_': ' 1704027272052',
            }

            time.sleep(1)
            response = requests.get(self.home_url,headers=self.headers,params=self.sub_data).text
            json_data = response.split('getMerchandiseDroplets1(')[1]
            data = re.sub('\)', '', json_data)
            json_msg = json.loads(data)

            for i in json_msg['data']['products']:
                attrs = jsonpath(i,'$..value')[0]
                dict = {
                    "标题" : i['title'],
                    "品牌" : i['brandShowName'],
                    "原价" : i['price']['marketPrice'],
                    "折扣" : i['price']['saleDiscount'],
                    "现价" : i['price']['salePrice'],
                    "属性" : attrs
                }
                pprint(dict)
                print('===========================================')
                csv_write.writerow(dict)


        except:
            print("爬取完毕")


    def praseSubpage(self):
        for page in range(0, 2400, 120):
            print(f"正在爬取第{self.num}页")
            # 商品详情链接

            # 产品编码数据
            sub_url = f"https://mapi.vip.com/vips-mobile/rest/shopping/pc/search/product/rank?callback=getM" \
                      f"erchandiseIds&app_name=shop_pc&app_version=4.0&warehouse=VIP_HZ&fdc_area_id=10310411" \
                      f"4&client=pc&mobile_platform=1&province_id=103104&api_key=70f71280d5d547b2a7bb370a529a" \
                      f"eea1&user_id=&mars_cid=1703946163504_4eebec221de3364e0da3bbe4a2182454&wap_consumer=a&" \
                      f"standby_id=nature&keyword=%E5%8F%A3%E7%BA%A2&lv3CatIds=&lv2CatIds=&lv1CatIds=&brandSt" \
                      f"oreSns=&props=&priceMin=&priceMax=&vipService=&sort=0&pageOffset={page}&channelId=1&g" \
                      f"Platform=PC&batchSize=120&_=1704022901946"

            # 请求链接得到字典
            response = requests.get(sub_url, headers=self.headers).text
            # 获得产品编码
            data = re.findall('{"pid":"(.*?)"}', response)
            # 合并字符串

            product1 = ','.join(data[0:50])
            product2 = ','.join(data[50:100])
            product3 = ','.join(data[100:120])
            self.praseHomedata(product1)
            self.praseHomedata(product2)
            self.praseHomedata(product3)
            self.num += 1



if __name__ == '__main__':
    with open('唯品会口红数据.csv', 'a', encoding='utf-8', newline='')as f:
        csv_write = csv.DictWriter(f, fieldnames=["标题", "品牌", "原价", "折扣", "现价", "属性"])
        csv_write.writeheader()
        spider = Spider()
        spider.praseSubpage()

编写一个爬虫的基本实现思路可以概括为以下几个步骤。请注意，由于爬虫可能涉及法律和道德问题，特别是当它们用于未经授权地抓取网站数据时，因此在开始之前，请确保你的爬虫行为符合目标网站的robots.txt规则以及当地的法律法规。

1. 确定目标

• 明确需求：确定你需要从哪些网站抓取哪些数据。
• 分析网站结构：了解目标网站的页面结构，包括URL模式、页面元素等。

2. 编写爬虫框架

• 选择编程语言：Python是编写爬虫的热门选择，因为它拥有强大的库支持，如requests、BeautifulSoup、Scrapy等。
• 设置基础结构：创建一个基本的Python脚本，导入必要的库。

3. 发送HTTP请求

• 使用requests库（或其他HTTP客户端库）发送GET或POST请求到目标URL。
• 处理重定向和Cookies：确保爬虫能够处理重定向和保持会话状态（如登录状态）。
• 设置请求头：模拟浏览器发送请求，设置合适的User-Agent和其他必要的请求头。

4. 解析HTML内容

• 使用解析库：如BeautifulSoup、lxml等，解析HTML文档。
• 提取数据：根据HTML结构，使用CSS选择器、XPath等方法提取所需数据。

5. 存储数据

• 保存到文件：将抓取的数据保存为CSV、JSON等格式的文件。
• 使用数据库：对于大量数据，可以考虑使用数据库（如MySQL、MongoDB）来存储。

6. 处理JavaScript渲染的页面

• 如果目标网站大量使用JavaScript渲染页面内容，可能需要使用Selenium或Puppeteer（Node.js环境）等工具来模拟浏览器行为。

7. 遵守robots.txt规则和礼貌爬虫

• 检查robots.txt：在开始抓取之前，检查目标网站的robots.txt文件，确保你的爬虫行为被允许。
• 设置合理的请求间隔：避免过于频繁地发送请求，给目标网站服务器带来压力。
• 处理反爬虫机制：如验证码、IP封锁等，可能需要采取额外的措施来绕过这些机制（但请注意，绕过某些反爬虫机制可能违反法律法规）。

8. 调试和优化

• 调试：在开发过程中，使用打印语句、断点调试等方法来检查爬虫的行为是否符合预期。
• 优化性能：对于大型网站或需要抓取大量数据的情况，优化爬虫的性能变得尤为重要。可以通过多线程/多进程、异步IO等方式来提高效率。