步骤
- 获取网页文本
- 将网页文本中所需内容存入列表
- 打印列表
注意 - 需要登陆后的Cookie信息
- 对每一页进行遍历
- 正则表达式的书写
import requests
import re
def getHTMLText(url, hd):
try:
r = requests.get(url, headers=hd, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "Error"
def parsePage(ilt, html):
try:
# 强化正则表达式书写能力, 好好学习这两个正则表达式是怎么写的
plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html)
tlt = re.findall(r'\"raw_title\"\:\".*?\"', html) # 限制最小匹配
for i in range(len(plt)):
price = eval(plt[i].split(':')[1]) # eval函数可以去掉外层双引号
title = eval(tlt[i].split(':')[1])
ilt.append([price, title])
except:
print("")
def printGoodsList(ilt):
tplt = "{0:4}\t{1:8}\t{2:16}"
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 = '' # 搜索商品名称
depth = 2 # 爬取深度（页数）
start_url = 'https://s.taobao.com/search?q=' + goods
hd = {
'User-Agent': 'Chrome/10.0',
'Cookie': ''
}
infoList = []
# 对每个页面进行循环处理
for i in range(depth):
# 用try-except进行异常判断
try:
url = start_url + '&s=' + str(i * 44) # 每页有44个商品
html = getHTMLText(url, hd)
parsePage(infoList, html)
except:
continue
printGoodsList(infoList)
main()
