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
使用python编写android截屏脚本双击运行即可
Jul 21 Python
Python中的字典遍历备忘
Jan 17 Python
Python比较文件夹比另一同名文件夹多出的文件并复制出来的方法
Mar 05 Python
Python功能键的读取方法
May 28 Python
python实现学生信息管理系统
Apr 05 Python
python中字符串比较使用is、==和cmp()总结
Mar 18 Python
Mac下Anaconda的安装和使用教程
Nov 29 Python
Python格式化输出--%s,%d,%f的代码解析
Apr 29 Python
把Anaconda中的环境导入到Pycharm里面的方法步骤
Oct 30 Python
python scipy 稀疏矩阵的使用说明
May 26 Python
教你怎么用python selenium实现自动化测试
May 27 Python
方法汇总:Python 安装第三方库常用
Apr 26 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
解析php mysql 事务处理回滚操作(附实例)
2013/08/05 PHP
初识laravel5
2015/03/02 PHP
Nginx下配置codeigniter框架方法
2015/04/07 PHP
JavaScript使用prototype定义对象类型
2007/02/07 Javascript
Javascript中的常见排序算法
2007/03/27 Javascript
jquery获取tr并更改tr内容示例代码
2014/02/13 Javascript
jQuery中parentsUntil()方法用法实例
2015/01/07 Javascript
jQuery动画与特效详解
2015/02/01 Javascript
javascript弹出拖动窗口
2015/08/11 Javascript
jquery UI Datepicker时间控件的使用方法(基础版)
2015/11/07 Javascript
JS实现支持Ajax验证的表单插件
2016/03/24 Javascript
浅谈AngularJs指令之scope属性详解
2016/10/24 Javascript
js前端实现多图图片上传预览的两个方法(推荐)
2016/11/18 Javascript
JS数组的常用10种方法详解
2020/05/08 Javascript
[01:03:27]Optic vs VGJ.S 2018国际邀请赛小组赛BO2 第一场 8.17
2018/08/20 DOTA
Python3实现的腾讯微博自动发帖小工具
2013/11/11 Python
python计算方程式根的方法
2015/05/07 Python
Python的Django框架中消息通知的计数器实现教程
2016/06/13 Python
python模拟登录并且保持cookie的方法详解
2017/04/04 Python
一篇文章快速了解Python的GIL
2018/01/12 Python
Python代码缩进和测试模块示例详解
2018/05/07 Python
python数值基础知识浅析
2019/11/19 Python
深入理解Python 多线程
2020/06/16 Python
Python 列表反转显示的四种方法
2020/11/16 Python
Css3+Js制作漂亮时钟(附源码)
2013/04/24 HTML / CSS
CSS的pointer-events属性详细介绍(作用和注意事项)
2014/04/23 HTML / CSS
Tirendo比利时:在线购买轮胎
2018/10/22 全球购物
SportsDirect.com新加坡:英国第一体育零售商
2019/03/30 全球购物
护士实习鉴定范文
2013/12/22 职场文书
中文专业毕业生自荐信
2014/05/24 职场文书
农村党员一句话承诺
2014/05/30 职场文书
2015暑假实习报告范文
2015/07/13 职场文书
三严三实·严以律己心得体会
2016/01/13 职场文书
干货:企业内部人才推荐奖励方案!
2019/07/09 职场文书
nginx服务器的下载安装与使用详解
2021/08/02 Servers
Windows Server 2019 配置远程控制以及管理方法
2022/04/28 Servers