电商数据采集之电商数据爬虫——电商数据采集API接口

电商数据爬虫背景

在如今这个网购风云从不间歇的时代，购物狂欢持续不断，一年一度的“6.18年中大促”、“11.11购物节”等等成为了网购电商平台的盛宴。在买买买的同时，“如何省钱？”成为了大家最关心的问题。

比价、返利、优惠券都是消费者在网购时的刚需，但在这些“优惠”背后已产生灰色地带。

图片图片

网络爬虫由于成本和门槛较低，成为常用的数据获取技术手段，在遵循网络法律规定的前提之下，进行电商网站数据源爬取来进行商业分析。那么本期《上进计划》给大家带来的项目就是通过爬虫技术，让大家掌握常用的数据采集方式。

图片

爬虫概述

Python爬虫是用Python编程语言实现的网络爬虫，主要用于网络数据的抓取和处理。相比于其他语言，Python是一门非常适合开发网络爬虫的编程语言，大量内置包，可以轻松实现网络爬虫功能。Python爬虫可以做的事情很多，如搜索引擎、采集数据、广告过滤等，Python爬虫还可以用于数据分析，在数据的抓取方面作用巨大！

图片图片

Python爬虫架构组成

1.URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器；
2.网页下载器：爬取url对应的网页，存储成字符串，传送给网页解析器；
3.网页解析器：解析出有价值的数据，存储下来，同时补充url到URL管理器。

Python爬虫工作原理

Python爬虫通过URL管理器，判断是否有待爬URL，如果有待爬URL，通过调度器进行传递给下载器，下载URL内容，并通过调度器传送给解析器，解析URL内容，并将价值数据和新URL列表通过调度器传递给应用程序，并输出价值信息的过程。

Python之所以强大，一个重要的原因就是，拿来即用的代码库丰富！Python内置的urllib模块，用于访问网络资源。但是，它用起来比较麻烦，也缺少很多实用的高级功能，更好的方案是使用Requests，我们今天的主角就是Requests。

关于Requests

Requests 自我定义为 HTTP for Humans：让 HTTP 服务人类，或者说最人性化的 HTTP。言外之意，之前的那些 HTTP 库太过繁琐，都不是给人用的。（urllib 表示：怪我咯！）

尽管听上去有些自大，但实际上它的的确确配得上这个评价，用过的都说好。这真的是一个非常值得使用的库，开发效率确实有很大的提升。

Requests提供了官方中文文档，其中包括了很清晰的“快速上手”和详尽的高级用法和接口指南。以至于我觉得再把文档里面内容搬运过来都是一种浪费。对于 Requests，要做的仅仅是两件事：

Ø 告诉你有这样一个工具，用来开发爬虫很轻松

Ø 告诉你它的官方文档很好，你去读就可以了

Requests的使用

1、pip安装Requests

pip install requests

2、示例：一行代码使用Requests

导入 Requests 模块

import requests

然后，尝试获取某个网页。本例子中，我们来获取Github 的公共时间线

r = requests.get('https://api.github.com/events')

3、Requests常用调用（get、post）

GET 变量接受所有以 get 方式发送的请求，及浏览器地址栏中的 ?之后的内容。

POST 变量接受所有以 post 方式发送的请求，例如，一个 form 以 method=post 提交

REQUEST 支持两种方式发送过来的请求，即 post 和 get 它都可以接受， 显示不显示要看传递方法，get 会显示在 url 中（有字符数限制），post 不会在 url 中显示，可以传递任意多的数据（只要服务器支持）。

4、Requests返回参数

r.status_code HTTP请求的返回状态，200表示连接成功，404表示失败

r.text HTTP响应内容的字符串形式，即url对应的页面内容

r.encoding 从HTTP header中猜测的响应内容编码方式

r.apparent_encoding 从内容中分析出的响应内容编码方式（备选编码方式）

r.content HTTP响应内容的二进制形式

关于Requests作者的冷知识

Requests的作者叫肯尼斯·赖茨（Kenneth Reitz），现就职于知名云服务提供商 DigitalOcean，曾是云计算平台 Heroku 的 Python 架构师，目前 Github 上 Python 排行榜第一的用户。（star 数超过了包括 google、tensorflow、django 等账号）

但他被更多路人所熟知的，恐怕还是他从一名技术肥宅逆袭成为文艺高富帅的励志故事。

图片