摘要：能看到這里說明快進(jìn)入動(dòng)態(tài)網(wǎng)頁爬取了，在這之前還有一兩個(gè)知識(shí)點(diǎn)要了解，就如本文要講的及其數(shù)據(jù)提取是什么是輕量級的文本數(shù)據(jù)交換格式，符合的格式的字符串叫字符串，其格式就像中字符串化后的字典，有時(shí)字典中還雜著列表字典，但是里面的數(shù)據(jù)都被雙引號包著

??能看到這里說明快進(jìn)入動(dòng)態(tài)網(wǎng)頁爬取了，在這之前還有一兩個(gè)知識(shí)點(diǎn)要了解，就如本文要講的json及其數(shù)據(jù)提取

??json是輕量級的文本數(shù)據(jù)交換格式，符合json的格式的字符串叫json字符串，其格式就像python中字符串化后的字典，有時(shí)字典中還雜著列表字典，但是里面的數(shù)據(jù)都被雙引號包著，下面是一個(gè)例子

"{"Africa": [
{ "name":"蜜獾" , "nickname":"平頭哥" }, 
{ "name":"蟲子" , "nickname":"小辣條" }, 
{ "name":"毒蛇" , "nickname":"大面筋" }
            ]
 }"#這是理想化的數(shù)據(jù)，實(shí)際上看到的json是不分行堆在一起，而且更多時(shí)候用unicode編碼取代中文

??而且為了能更好的傳輸各種語言，json對非英語的字符串進(jìn)行了Unicode編碼，于是我們直接看到的json數(shù)據(jù)通常都是帶著uxxxx的字符串而不會(huì)帶著中文，json數(shù)據(jù)還會(huì)堆在一起不換行，給我們的分析帶來了困難，不過我們有json 模塊讓它轉(zhuǎn)回中文，更有一個(gè)牛逼工具把它轉(zhuǎn)回中文同時(shí)排版，分析json數(shù)據(jù)時(shí)多用這個(gè)工具。

??有時(shí)F12源碼中能看到完整的信息，request回來后就殘缺到?jīng)]有價(jià)值，這就說明網(wǎng)頁使用了動(dòng)態(tài)或者ajax技術(shù)，而這些技術(shù)所加載的信息，就有json的身影。為了順利爬取目標(biāo)，我們需要找到j(luò)son數(shù)據(jù)。

json數(shù)據(jù)有時(shí)會(huì)直接出在對原鏈接request的結(jié)果中，作為信息等待被加載到網(wǎng)頁中

有時(shí)會(huì)存在于獨(dú)立的鏈接里，需要捉包獲取鏈接再打開獲得（而且這種鏈接的構(gòu)造很重要）

??JSON是JavaScript原生格式，親生無誤，所以在JavaScript中處理JSON數(shù)據(jù)不需要任何特殊的API或工具包。像python這樣連的遠(yuǎn)親，當(dāng)然不能直接一把捉走別人的孩子，至少要帶根棒棒糖來引誘一下呀，而這根棒棒糖就是json模塊，python自帶。

??json 模塊提供了一種很簡單的方式來編碼和解碼JSON數(shù)據(jù)，實(shí)現(xiàn)了JSON數(shù)據(jù)(字符串)和python對象(字典)的相互轉(zhuǎn)換。
主要兩個(gè)方法及常用參數(shù)：

json.dumps(obj,ensure_ascii=True): 將一個(gè)字典（obj）轉(zhuǎn)換為JSON編碼的字符串，ensure_ascii默認(rèn)為True，全部是ascii字符，中文會(huì)以unicode編碼形式顯示如u597d；設(shè)置為False時(shí)保持中文

json.loads(s,encoding=): 將一個(gè)JSON編碼的字符串（s）轉(zhuǎn)換回字典,如果傳入的json字符串的編碼不是UTF-8的話，需要用encoding指定字符編碼

如果你要處理的是文件而不是字符串/字典，你可以使用 json.dump() 和 json.load() 來編碼和解碼JSON數(shù)據(jù)。

# 編碼成json數(shù)據(jù)寫入，data是字典
with open("data.json", "w") as f:
    json.dump(data, f)

# 讀取json數(shù)據(jù)并解碼，data是字典
with open("data.json", "r") as f:
    data = json.load(f)

另：requests對象的json()方法也可以把json數(shù)據(jù)轉(zhuǎn)為字典，dict = r.json(encoding=)

??爬蟲領(lǐng)域內(nèi)json的知識(shí)知道這些就行，那么馬上來個(gè)實(shí)戰(zhàn)了解一下怎樣提取json中的數(shù)據(jù)，加深對json的認(rèn)識(shí)吧，正好可以拿某寶來試手，商品的json數(shù)據(jù)直接出在對原鏈接request的結(jié)果中，不用捉包。（然而大多數(shù)json數(shù)據(jù)不會(huì)這樣出現(xiàn)，這里選擇某寶方便展示）

重要，但這也是要培養(yǎng)的能力，在這里只詳細(xì)講一次思路，以后靠自己分析

??構(gòu)造鏈接的原則是盡可能多的相關(guān)參數(shù)，盡可能少的無關(guān)參數(shù)，網(wǎng)址中?之后用&連起來的賦值關(guān)系就是那些參數(shù)，這些參數(shù)會(huì)傳到服務(wù)器中，服務(wù)器根據(jù)它們來返回?cái)?shù)據(jù)。爬蟲中，頁數(shù)，排序，日期等這類的參數(shù)是關(guān)鍵。我們要?jiǎng)討B(tài)的修改這些參數(shù)來構(gòu)造鏈接，觀察能力很重要。還有構(gòu)造鏈接時(shí)要多requests下來測試哪些是相關(guān)參數(shù)，哪些參數(shù)是無關(guān)緊要的，不是只看瀏覽器就行的

??先進(jìn)入官網(wǎng)搜索一件商品，這里以GTX1060為例，第一次出現(xiàn)的鏈接如下，

"https://s.taobao.com/search?initiative_id=tbindexz_20170306&ie=utf8&spm=a21bo.2017.201856-taobao-item.2&sourceId=tb.index&search_type=item&ssid=s5-e&commend=all&imgfile=&q=GTX1060&suggest=history_1&_input_charset=utf-8&wq=GTX&suggest_query=GTX&source=suggest"

??很長是吧，能大約的看到日期，商品名之類的參數(shù)，但是大部分參數(shù)都看不懂，我們假設(shè)部分參數(shù)是不影響爬取結(jié)果的，于是我們來繼續(xù)按下看看有什么變化，當(dāng)再次按下搜索鍵

??鏈接變短了,在按多幾下都是這個(gè)鏈接了

"https://s.taobao.com/search?q=GTX1060&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180428&ie=utf8"#初步結(jié)構(gòu)

??為了確保泛用性，我們換個(gè)商品再搜索，發(fā)現(xiàn)鏈接除q參數(shù)（商品名）改變外，其他一模一樣，由此我們初步確定了鏈接結(jié)構(gòu)，q參數(shù)是商品名，initiative_id是當(dāng)天日期，其他不用變
??但我們的還要有翻頁和排序的功能沒實(shí)現(xiàn)，鏈接里也看不到和它們有關(guān)的參數(shù)，因此我們要繼續(xù)按來引相關(guān)參數(shù)出來，點(diǎn)擊排序那排按鈕

??發(fā)現(xiàn)又多了一個(gè)sort參數(shù)，不同的排序方式對應(yīng)不同的值，有default（默認(rèn)綜合排序），sale-desc（按銷量），renqi-desc（按人氣）等

??按下一頁，又多了bcoffset，p4ppushleft，s三個(gè)參數(shù)，經(jīng)測試只有s參數(shù)有用，其他兩個(gè)都不影響爬取結(jié)果（直接去掉），s是頁數(shù)相關(guān)參數(shù)，值是44的倍數(shù)（因?yàn)槊宽摷虞d44件商品），第一頁0，第二頁44，第三頁88……

??到此就捕捉到q，initiative_id，sort，s等參數(shù)了，如果想增加其它相關(guān)參數(shù)，就自己到處按搗鼓吧，下面就這4個(gè)參數(shù)進(jìn)行構(gòu)造，可以format格式化，也可以將參數(shù)通過requests.get()的params參數(shù)傳入，下面選擇格式化

#使用格式化輸出，傳四個(gè)字符串變量進(jìn)去
url = "https://s.taobao.com/search?q={name}&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id={date}&ie=utf8&s={num}&sort={sort}".format(name=,date=,num=,sort=)

剩下的就是整合到循環(huán)進(jìn)行多頁爬取了，代碼最后貼上，下面在看看json數(shù)據(jù)怎樣提取。

先拿一個(gè)鏈接requests下來保存到txt看看先，打開后看到一大堆又字典又列表的東西，仔細(xì)一看這貨是符合json格式的字符串，里面有我們要的信息。二話不說馬上扔到那個(gè)工具里排版一下，排完后如圖

我們知道json數(shù)據(jù)本質(zhì)是字符串，也可以用json.load()轉(zhuǎn)化為字典，這樣的話就有兩種提取信息的方法

直接用正則對字符串匹配，缺點(diǎn)是當(dāng)json存在uxxxx的unicode編碼時(shí)你會(huì)得到uxxxx而不是中文，然而還是有辦法繞過編碼問題——可以通過str(json.load())得到字典（已解碼回中文）后再強(qiáng)轉(zhuǎn)為字符串再匹配，但是要注意單引號問題

轉(zhuǎn)為字典后逐層索引下去，缺點(diǎn)是當(dāng)結(jié)構(gòu)過于復(fù)雜時(shí)，索引也比較麻煩。

github獲取源碼（陸續(xù)還有其他大大小小的爬蟲項(xiàng)目，隨閱）

不要看完就算了，記得多實(shí)踐，擼起袖子就是干

from datetime import date
import re
import json
import requests
def taobao(keyword,pages,select_type,date_):
    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}
    url = "https://s.taobao.com/search?q={}&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id={}&ie=utf8&sort={}".format(keyword, date_, selections[select_type])
    titles=[];item_ids=[];prices=[];locations=[];sales=[];seller_ids=[];store_names=[]
    for i in range(pages):
        r = requests.get(url+"&s={}".format(str(i*44)),headers=headers,)


        data = re.search(r"g_page_config = (.+);",r.text)#捕捉j(luò)son字符串
        data = json.loads(data.group(1),encoding="utf-8")#json轉(zhuǎn)dict
        for auction in data["mods"]["itemlist"]["data"]["auctions"]:
            titles.append(auction["raw_title"])#商品名
            item_ids.append(auction["nid"])#商品id
            prices.append(auction["view_price"])#價(jià)格
            locations.append(auction["item_loc"])#貨源
            sales.append(auction["view_sales"])#賣出數(shù)量
            seller_ids.append(auction["user_id"]) #商家id
            store_names.append(auction["nick"])#店鋪名

        #正則實(shí)現(xiàn)
        """titles.extend(re.findall(r""raw_title":"(.+?)"",r.text,re.I)) 
        item_ids.extend( re.findall(r""nid":"(.+?)"",r.text,re.I))
        prices.extend(re.findall(r""view_price":"([^"]+)"",r.text,re.I)) 
        locations.extend(re.findall(r""item_loc":"([^"]+)"",r.text,re.I))
        sales.extend(re.findall(r""view_sales":"([^"]+)"",r.text,re.I)) 
        seller_ids.extend(re.findall(r""user_id":"([^"]+)"",r.text,re.I)) 
        store_names.extend(re.findall(r""nick":"([^"]+)"",r.text,re.I)) """
    #單純打印出來看
    print (len(titles),len(item_ids),len(prices),len(locations),len(sales),len(seller_ids),len(store_names))
    print(titles)
    print(item_ids)
    print(prices)
    print(locations)
    print(sales)
    print(seller_ids)
    print(store_names)


selections = {"0":"default",
              "1":"renqi-desc",
              "2":"sale-desc"}
keyword = input("輸入商品名
")
pages = int(input("爬多少頁
"))
date_ =  "staobaoz_" + str(date.today()).replace("-","")
if input("yes/no  for 改排序方式,默認(rèn)綜合")=="yes":
    select_type = input("輸入1按人氣，輸入2按銷量")
else:
    select_type = "0"
taobao(keyword,pages,select_type,date_)