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
Python写的Socks5协议代理服务器
Aug 06 Python
深入理解python try异常处理机制
Jun 01 Python
开源Web应用框架Django图文教程
Mar 09 Python
Django学习笔记之ORM基础教程
Mar 27 Python
解决tensorflow模型参数保存和加载的问题
Jul 26 Python
[原创]Python入门教程2. 字符串基本操作【运算、格式化输出、常用函数】
Oct 29 Python
了解不常见但是实用的Python技巧
May 23 Python
python 批量解压压缩文件的实例代码
Jun 27 Python
sklearn+python:线性回归案例
Feb 24 Python
TensorFlow tf.nn.softmax_cross_entropy_with_logits的用法
Apr 19 Python
Python新手学习raise用法
Jun 03 Python
浅谈pytorch中torch.max和F.softmax函数的维度解释
Jun 28 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
论坛头像随机变换代码
2006/10/09 PHP
Content-type 的说明
2006/10/09 PHP
对于PHP 5.4 你必须要知道的
2013/08/07 PHP
教你如何用php实现LOL数据远程获取
2014/06/10 PHP
php中使用session防止用户非法登录后台的方法
2015/01/27 PHP
[原创]php正则删除img标签的方法示例
2017/05/27 PHP
php删除一个路径下的所有文件夹和文件的方法
2018/02/07 PHP
tp5框架前台无限极导航菜单类实现方法分析
2020/03/29 PHP
javascript中创建对象的三种常用方法
2010/12/30 Javascript
关于js类的定义
2011/06/28 Javascript
javascript学习笔记(七) js函数介绍
2012/06/19 Javascript
js 时间格式与时间戳的相互转换示例代码
2013/12/25 Javascript
JS获取图片高度宽度的方法分享
2015/04/17 Javascript
基于jQuery倾斜打开侧边栏菜单特效代码
2015/09/15 Javascript
jQuery取得iframe中元素的常用方法详解
2016/01/14 Javascript
JavaScript基础知识点归纳(推荐)
2016/07/09 Javascript
AngularJS中比较两个数组是否相同
2016/08/24 Javascript
jQuery弹出层插件popShow用法示例
2017/01/23 Javascript
nodejs+express实现文件上传下载管理网站
2017/03/15 NodeJs
JavaScript实现百度搜索框效果
2020/03/26 Javascript
js图片查看器插件用法示例
2019/06/22 Javascript
vue element 关闭当前tab 跳转到上一路由操作
2020/07/22 Javascript
从零学python系列之教你如何根据图片生成字符画
2014/05/23 Python
PyQt 线程类 QThread使用详解
2017/07/16 Python
Python3之手动创建迭代器的实例代码
2019/05/22 Python
50行Python代码实现视频中物体颜色识别和跟踪(必须以红色为例)
2019/11/20 Python
解决Pytorch 加载训练好的模型 遇到的error问题
2020/01/10 Python
基于 HTML5 Canvas实现 的交互式地铁线路图
2018/03/05 HTML / CSS
html5弹跳球示例代码
2013/07/23 HTML / CSS
超市理货员岗位职责
2014/07/04 职场文书
义务教育学校标准化建设汇报材料
2014/08/16 职场文书
交通工程专业推荐信
2014/09/06 职场文书
总经理司机岗位职责
2015/04/10 职场文书
农村结婚典礼主持词
2015/06/29 职场文书
高中16字霸气押韵班级口号集锦!
2019/06/27 职场文书
PostgreSQL自动更新时间戳实例代码
2021/11/27 PostgreSQL