php爬取天猫和淘宝商品数据

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：

function crawlUrl($url){import("PhpQuery.Curl"); $curl=new Curl(); $result = $curl->read($url); $content = mb_convert_encoding( $result["content"], "UTF-8", "UTF-8,GBK,GB2312,BIG5" ); $myres=array(); if(strrpos($url,"taobao.com")!=false) {  //匹配是否下架  if(strpos($content,"此宝贝已下架")!==false){   return false;  }  preg_match("|itemId   : "(.*)"|isU", $content, $match);  $item_id=$match[1];  preg_match("|sellerId   : "(.*)"|isU", $content, $match);  $sellet_id=$match[1];  preg_match("|<title>(.*)</title>|isU",$content,$match);  $title=$match[1];  //价格库存信息  $ch = curl_init();  curl_setopt ($ch, CURLOPT_URL, "https://detailskip.taobao.com/service/getData/1/p1/item/detail/sib.htm?itemId=".$item_id."&sellerId=".$sellet_id."&modules=dynStock,qrcode,viewer,price,duty,xmpPromotion,delivery,upp,activity,fqg,zjys,amountRestriction,couponActivity,soldQuantity,originalPrice,tradeContract&callback=onSibRequestSuccess");  $opt[CURLOPT_HEADER]=false;  $opt[CURLOPT_CONNECTTIMEOUT]=15;  $opt[CURLOPT_TIMEOUT]=300;  $opt[CURLOPT_AUTOREFERER]=true;  $opt[CURLOPT_USERAGENT]="Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.47 Safari/536.11";  curl_setopt_array($ch,$opt);  curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);  curl_setopt ($ch,CURLOPT_REFERER,$url);  curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);  $out_put=curl_exec ($ch);  curl_close ($ch);  $res=str_replace("onSibRequestSuccess(","",$out_put);  $res=rtrim($res,");1");  $result=json_decode($res,true);  //查询出图片信息  preg_match("|<ul id="J_UlThumb" class="tb-thumb tb-clearfix">(.*)</ul>|isU", $content, $match);  preg_match_all("/<img data-src="(.*?)" //", $match[1], $images);  $myres["title"]=str_replace("-淘宝网","",$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,$start+4,$end-$start-4);  }  preg_match("|<title>(.*)</title>|isU",$content,$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, CURLOPT_URL, $myurl);  $opt[CURLOPT_HEADER]=false;  $opt[CURLOPT_CONNECTTIMEOUT]=15;  $opt[CURLOPT_TIMEOUT]=300;  $opt[CURLOPT_AUTOREFERER]=true;  $opt[CURLOPT_USERAGENT]="Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.47 Safari/536.11";  curl_setopt_array($ch,$opt);  curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);  curl_setopt ($ch,CURLOPT_REFERER,$url);  curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);  $out_put=curl_exec ($ch);  curl_close ($ch);  $res = mb_convert_encoding( $out_put, "UTF-8", "UTF-8,GBK,GB2312,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">(.*)</ul>|isU",$content, $match);  preg_match_all("/<img src="(.*?)" //",$match[1],$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。

更多内容请参考专题《python爬取功能汇总》进行学习。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持网页设计。