一、思路
最近做了一个网站用到了从网址爬取天猫和淘宝的商品信息,首先看了下手机端的网页发现用的react,不太了解没法搞,所以就考虑从PC入口爬取数据,但是当爬取URL获取数据时并没有获取价格,库存等的信息,仔细研究了下发现是异步请求了另一个接口,但是接口要使用refer才能获取数据,于是就通过以下方式写了一个简单的爬虫,用于爬取商品预览图和商品的第一个分类的价格、库存等。
二、实现
代码如下:
- |isU',$match);
preg_match_all('/$myres['title']=str_replace('-淘宝网','',$title);
$myres['price']=current($result['data']['originalPrice']);
$myres['act_price']=current($result['data']['promotion']['promoData']);
$myres['stock']=$result['data']['dynStock']['stock'];
$myres['banners']=$images[1];
}else{
//匹配是否下架
if(strpos($content,'此宝贝已下架')!==false){
return false;
}
$start=strpos($url,'&id=');
$item_id=substr($url,$start+4,12);
if(!is_numeric($item_id)){
$start=strpos($url,'?id=');
$end=strpos($url,'&spm');
$item_id=substr($url,$end-$start-4);
}
preg_match("|
$title=$match[1];
$myurl='https://mdskip.taobao.com/core/initItemDetail.htm?cachedTimestamp=1500562177777&queryMemberRight=true&cartEnable=true&offlineShop=false&addressLevel=2&itemId='.$item_id.'&tryBeforeBuy=false&isAreaSell=false&tmallBuySupport=true&isPurchaseMallPage=false&household=false&isForbidBuyItem=false&service3C=false&isRegionLevel=false&showShopProm=false&isSecKill=false&sellerPreview=false&isUseInventoryCenter=false&isApparel=true&callback=setMdskip×tamp=1500562172109&isg=AiUlDZFWmP/sMgVurQSILU3Ytet/Zdis&isg2=Ajk51JIhRFqKzxmiNPP6dkYxSKXT7iySkzSTeVtu9WDf4ll0o5Y9yKdyEtHu';
//价格库存信息
$ch = curl_init();
curl_setopt ($ch,$myurl);
$opt[CURLOPT_HEADER]=false;
$opt[CURLOPT_CONNECTTIMEOUT]=15;
$opt[CURLOPT_TIMEOUT]=300;
$opt[CURLOPT_AUTOREFERER]=true;
$opt[CURLOPT_USERAGENT]='Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML,false);
$out_put=curl_exec ($ch);
curl_close ($ch);
$res = mb_convert_encoding( $out_put,BIG5' );
$res=str_replace('setMdskip',$res);
$res=str_replace('(',$res);
$res=str_replace(')',$res);
$result=json_decode($res,true);
$nowk="";
$nowstore="";
foreach($result['defaultModel']['inventoryDO']['skuQuantity'] as $k=>$val){
$nowk=$k;
$nowstore=$val;
break;
}
$myres['title']=str_replace('-tmall.com天猫',$title);
$myres['price']=$result['defaultModel']['itemPriceResultDO']['priceInfo'][$nowk]['price'];
$myres['act_price']=isset($result['defaultModel']['itemPriceResultDO']['priceInfo'][$nowk]['suggestivePromotionList'])?$result['defaultModel']['itemPriceResultDO']['priceInfo'][$nowk]['suggestivePromotionList']:$result['defaultModel']['itemPriceResultDO']['priceInfo'][$nowk];
$myres['stock']=$result['defaultModel']['inventoryDO']['totalQuantity']?$result['defaultModel']['inventoryDO']['totalQuantity']:$nowstore['quantity'];
//查询出图片信息
preg_match('|<ul id="J_UlThumb" class="tb-thumb tm-clear">(.)
preg_match_all('/<img src="(.?)" \//',$images);
$myres['banners']=$images[1];
}
return $myres;
}
上述代码用到PHPquery的库,但是其实没啥用,直接用Curl就行,具体爬取的数据可以穿参查看结果,方法不区分淘宝和天猫链接,但是前提是必须是PC端链接,另外正则写的不规范,所以可以自己重写正则来匹配数据。