python实现爬取千万淘宝商品的方法


Posted in Python onJune 30, 2015

本文实例讲述了python实现爬取千万淘宝商品的方法。分享给大家供大家参考。具体实现方法如下:

import time
import leveldb
from urllib.parse import quote_plus 
import re
import json
import itertools
import sys
import requests
from queue import Queue
from threading import Thread
URL_BASE = 'http://s.m.taobao.com/search?q={}&n=200&m=api4h5&style=list&page={}'
def url_get(url):
  # print('GET ' + url)
  header = dict()
  header['Accept'] = 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
  header['Accept-Encoding'] = 'gzip,deflate,sdch'
  header['Accept-Language'] = 'en-US,en;q=0.8'
  header['Connection'] = 'keep-alive'
  header['DNT'] = '1'
  #header['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36'
  header['User-Agent'] = 'Mozilla/12.0 (compatible; MSIE 8.0; Windows NT)'
  return requests.get(url, timeout = 5, headers = header).text
def item_thread(cate_queue, db_cate, db_item):
  while True:
    try:
      cate = cate_queue.get()
      post_exist = True
      try:
        state = db_cate.Get(cate.encode('utf-8'))
        if state != b'OK': post_exist = False
      except:
        post_exist = False
      if post_exist == True:
        print('cate-{}: {} already exists ... Ignore'.format(cate, title))
        continue
      db_cate.Put(cate.encode('utf-8'), b'crawling')
      for item_page in itertools.count(1):
        url = URL_BASE.format(quote_plus(cate), item_page)
        for tr in range(5):
          try:
            items_obj = json.loads(url_get(url))
            break
          except KeyboardInterrupt:
            quit()
          except Exception as e:
            if tr == 4: raise e
        if len(items_obj['listItem']) == 0: break
        for item in items_obj['listItem']:
          item_obj = dict(
            _id = int(item['itemNumId']),
            name = item['name'],
            price = float(item['price']),
            query = cate,
            category = int(item['category']) if item['category'] != '' else 0,
            nick = item['nick'],
            area = item['area'])
          db_item.Put(str(item_obj['_id']).encode('utf-8'),
                json.dumps(item_obj, ensure_ascii = False).encode('utf-8'))
        print('Get {} items from {}: {}'.format(len(items_obj['listItem']), cate, item_page))
        if 'nav' in items_obj:
          for na in items_obj['nav']['navCatList']:
            try:
              db_cate.Get(na['name'].encode('utf-8'))
            except:
              db_cate.Put(na['name'].encode('utf-8'), b'waiting')
      db_cate.Put(cate.encode('utf-8'), b'OK')
      print(cate, 'OK')
    except KeyboardInterrupt:
      break
    except Exception as e:
      print('An {} exception occured'.format(e))
def cate_thread(cate_queue, db_cate):
  while True:
    try:
      for key, value in db_cate.RangeIter():
        if value != b'OK':
          print('CateThread: put {} into queue'.format(key.decode('utf-8')))
          cate_queue.put(key.decode('utf-8'))
      time.sleep(10)
    except KeyboardInterrupt:
      break
    except Exception as e:
      print('CateThread: {}'.format(e))
if __name__ == '__main__':
  db_cate = leveldb.LevelDB('./taobao-cate')
  db_item = leveldb.LevelDB('./taobao-item')
  orig_cate = '正装'
  try:
    db_cate.Get(orig_cate.encode('utf-8'))
  except:
    db_cate.Put(orig_cate.encode('utf-8'), b'waiting')
  cate_queue = Queue(maxsize = 1000)
  cate_th = Thread(target = cate_thread, args = (cate_queue, db_cate))
  cate_th.start()
  item_th = [Thread(target = item_thread, args = (cate_queue, db_cate, db_item)) for _ in range(5)]
  for item_t in item_th:
    item_t.start()
  cate_th.join()

希望本文所述对大家的Python程序设计有所帮助。

Python 相关文章推荐
利用Python演示数型数据结构的教程
Apr 03 Python
python实现爬虫下载美女图片
Jul 14 Python
python简单读取大文件的方法
Jul 01 Python
python实现list元素按关键字相加减的方法示例
Jun 09 Python
linux环境下python中MySQLdb模块的安装方法
Jun 16 Python
对python中使用requests模块参数编码的不同处理方法
May 18 Python
python 实现矩阵上下/左右翻转,转置的示例
Jan 23 Python
Python3.5实现的罗马数字转换成整数功能示例
Feb 25 Python
深入解析Python小白学习【操作列表】
Mar 23 Python
Python中遍历列表的方法总结
Jun 27 Python
windows安装TensorFlow和Keras遇到的问题及其解决方法
Jul 10 Python
Pytorch使用MNIST数据集实现基础GAN和DCGAN详解
Jan 10 Python
python简单判断序列是否为空的方法
Jun 30 #Python
python检查序列seq是否含有aset中项的方法
Jun 30 #Python
python判断一个集合是否包含了另外一个集合中所有项的方法
Jun 30 #Python
python过滤字符串中不属于指定集合中字符的类实例
Jun 30 #Python
python获得文件创建时间和修改时间的方法
Jun 30 #Python
python读写ini配置文件方法实例分析
Jun 30 #Python
python清除指定目录内所有文件中script的方法
Jun 30 #Python
You might like
基于qmail的完整WEBMAIL解决方案安装详解
2006/10/09 PHP
php通过文件流方式复制文件的方法
2015/03/13 PHP
php 在字符串指定位置插入新字符的简单实现
2016/06/28 PHP
PHP文件操作实例总结
2016/09/27 PHP
PHP数组生成XML格式数据的封装类实例
2016/11/10 PHP
JavaScript 应用类库代码
2008/06/02 Javascript
Web跨浏览器进程通信(Web跨域)
2013/04/17 Javascript
jquery与js函数冲突的两种解决方法
2013/09/09 Javascript
JQuery实现Ajax加载图片的方法
2015/12/24 Javascript
JavaScript的ExtJS框架中数面板TreePanel的使用实例解析
2016/05/21 Javascript
BootStrapTable服务器分页实例解析
2016/12/20 Javascript
详解HTTPS 的原理和 NodeJS 的实现
2017/07/04 NodeJs
快速解决vue-cli在ie9+中无效的问题
2018/09/04 Javascript
vue动态删除从数据库倒入列表的某一条方法
2018/09/29 Javascript
通过实例解析JavaScript for in及for of区别
2020/06/15 Javascript
JS实现简单移动端鼠标拖拽
2020/07/23 Javascript
python通过smpt发送邮件的方法
2015/04/30 Python
python使用Plotly绘图工具绘制散点图、线形图
2019/04/02 Python
对Python函数设计规范详解
2019/07/19 Python
Pycharm中Python环境配置常见问题解析
2020/01/16 Python
关于windows下Tensorflow和pytorch安装教程
2020/02/04 Python
python+opencv边缘提取与各函数参数解析
2020/03/09 Python
django之导入并执行自定义的函数模块图解
2020/04/01 Python
TensorFlow tf.nn.conv2d_transpose是怎样实现反卷积的
2020/04/20 Python
html5与css3小应用
2013/04/03 HTML / CSS
ProBikeKit澳大利亚:自行车套件,跑步和铁人三项装备
2016/11/30 全球购物
法国和欧洲海边和滑雪度假:Pierre & Vacances
2017/01/04 全球购物
全球知名的珠宝首饰品牌:Kay Jewelers
2018/02/11 全球购物
Wedgwood美国官网:英国骨瓷,精美礼品及家居装饰
2018/02/17 全球购物
Ever New加拿大官网:彰显女性美
2018/10/05 全球购物
Bose英国官方网站:美国知名音响品牌
2020/01/26 全球购物
学生手册评语
2014/05/05 职场文书
开展党的群众路线教育实践活动情况汇报
2014/11/05 职场文书
教师个人自我评价
2015/03/04 职场文书
在 Golang 中实现 Cache::remember 方法详解
2021/03/30 Python
JavaScript实现简单图片切换
2021/04/29 Javascript