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("|(.*)|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('||isU', $content, $match);
preg_match_all('/
)
(.*)|isU",$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('|
|isU',$content, $match);
preg_match_all('/
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。
立即学习“PHP免费学习笔记（深入）”；
相关推荐：
将爬取数据存入mysql
对知乎内容使用爬虫爬取数据，为什么会遇到403问题？
python爬取安居客二手房网站数据方法分享
