宣告：本博客只是簡單的爬蟲示范，并不涉及任何商業用途，

一.前言

最近博主在瀏覽淘寶時突然萌發了一個想爬它的念頭，于是說干就干，我便開始向淘寶“下毒手”了，由于本人平時經常喜歡在淘寶上瀏覽各種手機的資訊，于是我便以“手機”為關鍵詞進行搜索，最后我利用爬蟲獲取了所有相關的手機資訊，并對各種廠家生成手機的銷量進行了一波可視化，下面是完整的記錄程序，

二.爬蟲程序

2.1 解決淘寶的登錄問題

首先，我在瀏覽器中打開淘寶，然后登錄后以手機為關鍵詞進行搜索，得到如下鏈接：

https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8

但當我用requests庫請求該url時，結果卻發現要先登錄，即會出現下述界面：
淘寶登錄頁面
這個問題要如何解決呢？我首先想到的是利用cookie，于是我便在登錄淘寶時，通過Chrome瀏覽器的開發者工具獲取到了登錄淘寶的cookie，然后我將該cookie作為引數傳入reqeusts庫的相關函式，結果發現成功獲取到想要的頁面！

2.2 頁面URL分析

在頁面的下方可以看到手機售賣的頁面共有100頁，那么要如何獲取到對應的頁面呢？我先點擊下方的按鈕獲取到了幾個頁面的url，展示如下：

https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44
https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88
https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20200911&ie=utf8&bcoffset=-3&ntoffset=-3&p4ppushleft=1%2C48&s=132

根據觀察上述url中變化的只有bcoffset，ntoffset以及s，但是只有最后一個引數s改變才會使得頁面翻轉，而最后一個引數s是遞增的，每次增加44，因此我們可以通過改變s來獲取翻頁的URL，

2.3 資料提取

在淘寶頁面右鍵->查看源代碼，可以發現資料資料隱藏在名為g_page_config的json物件里面：
網頁原始碼
因此，可以先通過正則運算式將其過濾出來，然后利用json模塊將其加載為python物件，之后便可以對其進行資料提取(詳細的提取程序參加后面的完整代碼)，需要提取的資料展示如下：
提取資訊

2.4 爬蟲完整流程

綜合以上幾點，淘寶手機資訊爬取的流程圖如下圖所示：
爬蟲流程

2.5 爬取程式及結果展示

完整的爬蟲程式展示如下：

from bs4 import BeautifulSoup
import requests
import re
import json
import random
import pandas as pd
import traceback

IPRegular = r"(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])"

headers = {
    "User-Agent": "換成自己的User-Agent",
    "cookie": "換成自己登錄的淘寶cookie"
}

def ExtractIP(url="https://ip.ihuan.me/"):
    """
    功能：抓取IP，回傳IP串列
    url：抓取IP的網站
    """
    IPs = []
    response = requests.get(url)
    soup = BeautifulSoup(response.content,"lxml")                                
    tds = soup.find_all("a",attrs = {'target':'_blank'})
    for td in tds:
        string = td.text
        if re.search(IPRegular,string) and string not in IPs:
            IPs.append(string)
    print(IPs)
    return IPs
        
def Filter(mobile_infos):
    """
    功能：過濾出手機的相關資訊
    mobile_infos：
    """
    mobile_list = [] #存盤手機資訊的串列
    for mobile_info in mobile_infos:
        title = mobile_info['raw_title']
        price = mobile_info['view_price']
        loc = mobile_info['item_loc'].replace(' ','')
        shop = mobile_info['nick']
        #print(mobile_info['view_sales'])
        sales = re.search(r'(\d+.?\d*).*人付款',mobile_info['view_sales']).group(1)
        if sales[-1] == '+':#去掉末尾的加號
            sales = sales[:-1]
        if '萬' in mobile_info['view_sales']:
            sales = float(sales) * 10000
        print(title,price,loc,shop,int(sales),mobile_info['view_sales'])
        mobile_list.append([title,price,loc,shop,int(sales)])

    return mobile_list

def Saver(mobiles):
    """
    功能：保存爬取資訊
    mobiles：手機資訊串列
    """
    mdata = pd.DataFrame(mobiles,columns=['手機名','價格','店鋪位置','店鋪名','銷量'])
    mdata.to_csv('mobile_info.csv',index=False)


def Spider(page_nums = 100):
    """
    功能：爬蟲主程式
    page_nums：待爬取的頁數
    """
    #爬取代理IP
    IPs = ExtractIP()
    length,mobiles,i = len(IPs),[],0
    while i < page_nums:
        try:
            print('--------------------正在爬取第{}頁--------------------'.format(i + 1))
            url = "https://s.taobao.com/search?q=%E6%89%8B%E6%9C%BA&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=3&ntoffset=0&p4ppushleft=1%2C48&data-key=s&data-value={}".format(i*44)
            #設定代理ip
            index = random.randint(0,length - 1)
            proxies = {"http":"{}:8080".format(IPs[index])}
            #請求網頁
            response = requests.get(url,headers=headers,proxies=proxies)
            #利用正則運算式獲取包含手機資訊json資料
            match_obj = re.search(r'g_page_config = (.*?)};',response.text)
            #將json物件加載為python字典
            mobile_infos= json.loads(match_obj.group(1) + '}')['mods']['itemlist']['data']['auctions']
            #過濾出字典中的有用資訊
            mobiles += Filter(mobile_infos)
            i += 1
        except Exception:
            traceback.print_exc()
            print('手機資訊第{}頁爬取失敗'.format(i + 1))
            i += 1
    #保存手機資訊為csv檔案
    Saver(mobiles)


if __name__ == "__main__":
    Spider()

利用上述方式將爬取的資料保存為csv檔案，部分結果截圖展示如下：
部分爬取結果

三.資料處理及分析

3.1 資料去重

通過爬蟲一共獲取到4400多條記錄，但其中有沒有重復資料呢，于是我通過pandas來對其進行重復行統計，結果確實返現不少重復行，對應處理代碼如下：

import pandas as pd

mdata = pd.read_csv('mobile_info.csv')
print(mdata[mdata.duplicated()])
"""
                                                    手機名       價格  店鋪位置                   店鋪名    銷量
61    【限時限量搶】Apple/蘋果iPhone SE全網通手機蘇寧易購官方旗艦店Store國行正...  3299.00  江蘇南京             蘇寧易購官方旗艦店  2998
92                                 糖果手機Sugar Y9指紋識別全網通5   399.00  廣東深圳            sugar手機旗艦店     6
93                       現貨OnePlus/一加 A6010一加6T手機1+6T手機  1439.00  廣東深圳                  港柏數碼   301
136                                糖果手機Sugar Y9指紋識別全網通5   399.00  廣東深圳            sugar手機旗艦店     6
137                      現貨OnePlus/一加 A6010一加6T手機1+6T手機  1439.00  廣東深圳                  港柏數碼   301
180                                糖果手機Sugar Y9指紋識別全網通5   399.00  廣東深圳            sugar手機旗艦店     6
181                      現貨OnePlus/一加 A6010一加6T手機1+6T手機  1439.00  廣東深圳                  港柏數碼   301
                  ...      ...   ...                   ...   ...
"""