python爬取淘宝商品信息并加入购物车

2017-06-19

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，

dom结构

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

html源码

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