环境：python3.6
目的：根据关键词在淘宝1688平台上搜索商品，并将商品的pid等信息抓取下来。
首先，我们打开首页，输入关键词：女装。↓↓↓
点击找一下，后会跳转到商品页面，如下图所示↓↓↓
这个时候我们就可以看到女装商品分类，和一些推荐商品，
接下来我们不要急着爬这些商品数据，我们要找的是这些商品的分类目录地址。
谷歌浏览器右击检查页面，仔细观察会发现，每个分类的商品都有对应的地址，例如：连衣裙，对应的地址如下
我们进入连衣裙的href标签里面的地址，你会发现页面的标题已经从“女装”变成“女装-连衣裙”了，因为我们在这个页面看到的商品是经过淘宝分类后的，这一页内容只包含“女装-连衣裙”。
通过抓包 我们发现，发现这一页的真实的数据来源地址是：
https://s.1688.com/selloffer/rpc_async_render.jsonp?cps=1&n=y&filtOfferTags=279874&filt=y&keywords=%C5%AE%D7%B0&&categoryId=0&n=y&uniqfield=pic_tag_id&templateConfigName=marketOfferresult&pageSize=60&asyncCount=60&async=true&enableAsync=true&rpcflag=new&_pageName_=market&callback=jQuery172015741463935213496_1555383468519&beginPage=1
联系上下文，仔细观察会发现，这是一个可以拼接的url，大致拼接方式如下：???
url = 'https://s.1688.com/selloffer/rpc_async_render.jsonp?cps=1&n=y&filtOfferTags=279874&filt=y&keywords='+keywords+'&categoryId='+categoryId+'&n=y&uniqfield=pic_tag_id&templateConfigName=marketOfferresult&pageSize=60&asyncCount=60&async=true&enableAsync=true&rpcflag=new&_pageName_=market&callback=jQuery172015741463935213496_1555383468519&beginPage='+str(i)
其中keywords不难看出是关键词，而且是进行url编码后的，而 i 这个明显是页码数字，categoryId英语好的一眼就知道是“类别ID”
这些参数是从哪来的呢？
回到前面，我们进入“女装-连衣裙”的页面，并查看源码，搜索这些关键词，
找到了：
接下来的事 就简单了，通过填参数拼接url，我们随意可以从女装-连衣裙分类下，获取几十页数据信息，或者从女装-日韩女装分类下获取数据信息。然后通过正则匹配到商品offerid。???
这些offerid代表的就是商品id，例如取出其中一个offerid：556983465623。那么这个商品的完整地址就是：
商品的名称、价格、销量、大小参数都可以从这个地址获取到。
下一篇我会教大家如何根据offerid抓取商品详情。
本篇完整代码如下：
???
# encoding: utf-8
"""
本脚本 用于根据关键词“女装”爬取1688全部分类商品的offerid
"""
import requests
import re
import random
from lxml import html
import time
"""获取页面内容"""
def get_html(url):
html=''
for x in range(5):
try:
resp = requests.get(url)
html = resp.text
if len(html) < 1000:
continue
else:
return html
except Exception as e:
print('url {0}, throw exception: {1}'.format(url, e))
html = ''
return html
"""从女装首页获取全部的分类地址"""
def category_spider():
# 女装：%C5%AE%D7%B0
url = 'https://s.1688.com/selloffer/offer_search.htm?keywords=%C5%AE%D7%B0&button_click=top&earseDirect=false&n=y&netType=1%2C11'
htmlstr = get_html(url)
section = html.fromstring(htmlstr)
links = section.xpath("//div[@class='s-widget-flatcat sm-widget-row sm-sn-items-control sm-sn-items-count-d fd-clr']/div[@class='sm-widget-items fd-clr']/ul//a/@href")
return links
"""从数据源中正则匹配商品的offerid"""
def spider(url):
pid_list = list()
htmlstr = get_html(url)
goods_pid = re.findall(r'offerid=.*?(\d+)', htmlstr)
for pid in goods_pid:
pid_list.append(pid)
return pid_list
def main():
# 获取女装商品下的所有分类目录地址：连衣裙、女式T恤、短袖T恤、外贸裙、日韩女装等等
links = category_spider()
# 遍历所有分类
for link in links:
sound = get_html(link)
# 类别ID
categoryId = re.findall(r'"categoryId":"(\d+)"', sound)[0]
# 关键词
keywords = re.findall(r'"keywordsGbk":"(.*?)"', sound)[0]
# 每个类别商品，取10页数据
for i in range(1, 10):
url = 'https://s.1688.com/selloffer/rpc_async_render.jsonp?cps=1&n=y&filtOfferTags=279874&filt=y&keywords='+keywords+'&categoryId='+categoryId+'&n=y&uniqfield=pic_tag_id&templateConfigName=marketOfferresult&pageSize=60&asyncCount=60&async=true&enableAsync=true&rpcflag=new&_pageName_=market&callback=jQuery172015741463935213496_1555383468519&beginPage='+str(i)
pid_list = spider(url)
print(pid_list)
time.sleep(random.randint(1, 3))
if __name__ == '__main__':
main()
代码输出结果展示：
你学会了吗？如有疑问欢迎一起交流沟通！点击蓝色字体即可！
