更多>>关于我们
西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效获取互联网任何公开可见信息。
您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。
数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。
更多>>技术文章
自2018年12月中旬之后,淘宝升级了反爬虫策略,淘宝Web版必须要登录之后才能使用搜索功能(直接搜索会被重定向到登录界面,登录之后才能看到搜索结果)。然而登录之后如果访问稍微频繁,就会出现滑块验证码(如下图所示),通过验证码之后(滑块验证码可以使用pyautogui自动处理),可以继续访问。
但如果持续访问频繁,就会出现一种无法处理的滑块验证码(如下图所示,持续提示“哎呀,出错了,点击刷新再来一次”),拖动之后会提示“”。由于这种机制的存在,导致采集效率低,一个淘宝账号每日仅能采集到5w条左右的商品,并且稳定性较差。
鲲之鹏的技术人员通过对比发现,手机淘宝APP版本并没有这种限制,不需要登录即可持续搜索,并且一个关键词能够看到的搜索结果条数也是4400条(和Web版一致)。但是淘宝APP同样有严密的防护策略,常规的抓包手段无法拦截到APP和服务端的交互数据,而且APK也做了防护,反编译后只能看到有限的代码。
通过技术人员的攻关,终于实现了突破,目前已可以有效拦截到手机淘宝APP的应答数据,能够拿到搜索结果返回的完整JSON数据,从而可以提取到和淘宝Web版一样的信息(例如 item_id, title, price, location, sold, commentCount, category, isB2c等等)。
如下所示,为截取的一个手机淘宝APP搜索返回的一个商品的JSON示例数据。
完整的采集过程分为两步:
(1)通过adb模拟操作手机淘宝APP执行搜索和上滑翻页操作。
(2)拦截手机淘宝APP的应答数据,从中提取想要的信息。
如下图所示,为采集过程的一个截图(左侧是实时抓取到的数据,右侧是安卓模拟器窗口):
这是一个抓取过程的演示视频,点击该链接 https://v.qq.com/x/page/i0923baptoh.html 到腾讯视频观看。
也可以点击该链接从本站直接播放:http://www.site-digger.com/uploads/videos/taobao_phone_app_keyword_searching_201908.mp4
再附上一个完整的手机淘宝APP关键词搜索返回的JSON数据:taobao_app_searching_sample.json
该方案有以下优点:
(1)无需淘宝账号登录,节省淘宝账号购买开支,不担心被封号;
(2)稳定可靠,采用淘宝手机APP数据源,不会轻易改版;
(2) 采集速度快,实测单台设备(可以采用模拟器,也可以采用真机),日均搜索采集量约20-30万条商品;
(3)IP限制弱;
如果你有类似的电商类数据采集分析需求,请和我们的客服人员联系。