之前用四篇很啰嗦的入门级别的文章，带着大家一起去了解并学习在编写爬虫的过程中，最基本的几个库的用法。
那么今天，我们就正式开始我们的第一篇实战内容，爬取一整个淘宝店铺里的所有宝贝的详情页，并且把详情页里的宝贝图片保存下来。我自己刚开了一个小网店，当时写出这个爬虫，也是真真正正的为我自己服务了一回呢。
在写之前，我先把这个爬虫的代码分析一下，方便大家在看代码的时候，理解整个流程是怎么样的。
爬虫框架我一直是使用Scrapy的，在用Scrapy抓取店铺信息的时候，因为淘宝的反爬机制，发现了机器人，所以获取不到任何信息，当时我赶着用宝贝图片，所以我使用了之前介绍的selenium来获取网页信息，并且通过我们上一篇介绍的lxml框架来提取信息。最主要的库就是这两个，那么我针对这个爬虫，编写了一个叫做taobaoShop的爬虫类。
之后，我们首先进入店铺的首页，抓取首页所有商品的资料，并用他们的宝贝名，来生成文件夹，方便存储对应的详情图片，然后爬虫进入宝贝的详情页，从详情页中提取详情照片，并且保存在宝贝名称对应的文件夹中，在该页面所有的宝贝爬取完成后，咱们后检查是否有分页，如果还有下一页的宝贝，那么进入下一页的宝贝接着爬，过程就和刚刚描述的一样了。
所以我们的淘宝店铺爬虫类的初始化代码是这样的：
def __init__(self): """初始化构造函数 """ self.site_url = 'https://shop67309167.taobao.com/?spm=a230r.7195193.1997079397.2.xPZZS0' self.driver = webdriver.Chrome() self.sleep_time = 10 self.save_img_path = '/Users/Lix/Documents/tbshop/'
初始化中我们设置了要爬取的店铺url（这就是我的小店，如果可以的话，请各位大佬帮忙点个关注），另外是启动selenium中webdriver的代码，我用Chrome打开，静默的话可以选择Phantomjs打开，另外有个间歇时间，因为爬取的过快，会被淘宝判定为爬虫，弹出登录框，最后的save_img_path自然就是我保存图片的路径了。
在初始化的构造函数完成之后，我们首先获取的是淘宝店铺页面的网页信息：
def getPage(self):
"""获取淘宝店铺页面代码
"""
self.driver.get(self.site_url)
time.sleep(self.sleep_time)
content = self.driver.page_source.encode('utf-8') print self.driver.title
# 保存html代码debug
# self.saveHtml('taobaoshop', content)
# 分析该页面的每个宝贝
self.getItem()在获取到店铺的网页信息后，我们调用getItem()函数，获取每个宝贝的信息:
def getItem(self):
"""爬取当前页面的每个宝贝，
提取宝贝名字，价格，标题等信息
"""
html = self.driver.page_source.encode('utf-8')
selector = etree.HTML(html)
itemList = selector.xpath("//div[@class='item3line1']")
# 循环遍历该页所有商品
index = 0
for item3line1 in itemList:
dl = item3line1.xpath("./dl") for item in dl:
link = 'https:' + item.xpath("./dt/a/@href")[0]
photo = 'https:' + item.xpath("./dt/a/img/@src")[0]
title = item.xpath("./dd/a/text()")[0]
res = { 'link' : link, 'photo' : photo, 'title' : title
} # 进入宝贝详情页 开始爬取里面的图片资料
self.getItemDetail(link, '')
# 获取分页信息
pagination = selector.xpath("//div[@class='pagination']/a[contains(@class, 'J_SearchAsync') and contains(@class, 'next')]/@href") print pagination print '正在准备切换分页'
if len(pagination) == 0: print '没有下一页了'
else: print '加载下一页内容'
self.site_url = 'https:' + pagination[0] print self.site_url
self.getPage()在这里，我们看到我们已经获取到了宝贝的链接，封面图，标题。并且执行了getItemDetail(self, link, save_img_path)函数去爬取宝贝的详情页了，最后我们还在循环结束之后，分析了分页数据。
那么最后，我们就来看看最关键的getItemDetail()函数，看看是怎么爬取宝贝信息的:
def getItemDetail(self, link, save_img_path):
"""从宝贝的详情链接里 爬取图片
Arguments:
link {String} -- [宝贝详情链接]
"""
newDriver = webdriver.Chrome()
newDriver.get(link)
time.sleep(self.sleep_time) print newDriver.title
img_dir_path = self.save_img_path + newDriver.title.encode('utf-8') if True == self.mkdir(img_dir_path): print '创建宝贝目录成功'
html = newDriver.page_source.encode('utf-8')
selector = etree.HTML(html) # 封面图
J_ULThumb = selector.xpath("//div[@class='tb-gallery']/ul/li")
index = 0
for li in J_ULThumb: # 替换图片 从50*50 至 400 * 400
if len(li.xpath("./div/a/img/@data-src")) < 1: continue
small_pic = li.xpath("./div/a/img/@data-src")[0]
common_pic = 'https:' + small_pic.replace('50x50', '400x400')
thumb_title = str('封面图') + str(index) print thumb_title # self.saveImg(img_dir_path, common_pic, thumb_title.decode('utf-8'))
index += 1
# 爬取里面所有图片
all_img = selector.xpath("//div[@id='J_DivItemDesc']//descendant::img/@src") print all_img
index = 0
for img in all_img:
imglink = img if img.startswith('http') is True:
imglink = img else:
imglink = 'https:' + img
self.saveImg(img_dir_path, imglink, str(index))
index += 1
newDriver.quit()注释都写在代码里了，大家看看就好，这里有很多地方的代码不够优雅，那是我当天急着用，所以后来也没有去优化了。
在这个核心解析代码的完成之后，宝贝图片就已经稳稳的存储到我们的硬盘上了，可以开箱即用了。完整的代码我也放在了Github上了，如果对您有帮助，请帮忙star一下。
作者：Originalee
链接：https://www.jianshu.com/p/64430f5c6a9a
共同学习，写下你的评论
评论加载中...
作者其他优质文章
