Python副业500元，爬取美团外卖

500元爬取美团外卖

  标题党了一下，实际上并没有完整爬取，只是实现了部分爬取。具体情况是蚂蚁老师的学习群中发了一个500元的爬取美团店铺信息的爬虫单子，先是被人接单了，但没过多久，因为难度太大，而退单了。有难度的事情，咱们头铁，试试看能不能搞得定。

任务要求与难度评估

• 任务要求：

1. 目标网站是美团外卖的H5页面https://h5.waimai.meituan.com
2. 具体任务是爬取目标店铺的菜品、价格、图片等
3. 目标店铺可以自定义

• 难度评估：

  先尝试找了一下目标数据，发现数据还是相对容易查到并解析的，整个任务难点不在数据，而在于以下3处：

1. 登录需要手机号、短信验证码，且有请求发送短信，需要通过滑动条验证码的验证；
2. 登录后需要设置所在地，因为，所在地是影响搜索结果的，而如何设置所在地，有相当复杂的逻辑(并没有深入研究)；
3. 使用关键词搜索目标店铺、进入目标店铺、请求获取数据，等等有非常复杂的逻辑、参数极多，解析有大量的工作量。

方案确定

  综合上述难点，坦率而言，500元的标价是不匹配的，且时效要求只有1天，几乎是不可能的任务(大神除外)。于是先找甲方沟通了一下，发现甲方的实际需求极为简单，时效紧是因为短时间内有5家店铺信息需要获取上线。
  而后续即使有新增目标，也是少量的，陆陆续续产生的需求。其实只需要解决获取数据，下载图片(每个店铺可能对应100多个菜品，此处是繁琐的工作量)，且不出错即可。
  对于甲方来说，其需求量少，不可能投入大量的资源解决这么一个小问题，对于接单人来说，又不可能为了这么一点收获，投入大量精力，二者存在偏差。那么如何使二者达成一致呢？
  于是，我提出了半自动爬虫的方案解决问题，也征得了甲方的同意。何谓半自动爬虫呢？即在需求的店铺数量有限的前提下，在部分获取数据环节上通过人工操作的方式解决，回避前面的3个难点；而爬虫专注于解决数据解析，以及下载图片的繁琐步骤。
  达成一致后，那么就开始代码吧~~~

页面分析

1. 登录、设置地址、查找目标店铺

  这些步骤都人工操作了，就不需要分析页面了。唯一碰到的问题是，使用PC浏览器登录时，发送验证码的滚动条验证步骤无法通过，需要使用手机浏览器成功发送验证码后，将验证码填入PC端登录。

• 巨坑注意：虽然PC端无法通过滚动条验证步骤，但是该动作还是要做的，否则即使填入了手机获取到的验证码，是无法提交登录的。(与甲方共同测试时，在这个环节卡了好久)

2. 目标店铺数据分析

  该步骤不难，F12打开chrome的开发者模式，进入店铺后，使用关键词搜索一下，就能发现，所有的菜品，都在一个food的response中

3. 图片目标分析

  图片的请求则相当简单，只需要设置请求头，再使用GET请求图片网址即可，而图片网址在目标店铺的数据中，每个菜品都有对应的图片网址。

解决步骤与代码

1. 将人工获取的店铺数据存入TXT文件，放在一个目录下，如下图：

2. 有了数据之后，遍历、读取、加工数据、下载图片就都是基础的json、pandas与requests的操作了，具体详见代码注释吧。

# -*- coding: utf-8 -*-
# @author: Lin Wei
# @contact: 580813@qq.com
# @time: 2022/6/18 9:24

"""
本程序用于分析爬取美团外卖的店铺商品信息及图片
1、本程序不考虑登录美团、定位、查找店铺等操作，直接使用人工查找获得的信息进行解析，获取店铺信息
2、根据店铺信息中的图片地址，下载对应图片
"""
import time
import requests
import pandas as pd
import json
import pathlib as pl
from random import randint


class SpiderObj:
    """
    爬虫对象
    """

    def __init__(self):
        """
        初始化对象
        """
        self.file_path = pl.Path(input('请已保存的店铺数据文件路径：\n'))

    def create_dir(self, shop_name: str) -> tuple:
        """
        检查并创建文件夹
        :param shop_name: 店铺名
        :return:
        """
        shop_dir = self.file_path / shop_name
        pic_dir = shop_dir / '图片'
        if not shop_dir.is_dir():  # 如果店铺文件夹不存在，则创建
            shop_dir.mkdir()
        if not pic_dir.is_dir():  # 如果图片文件夹不存在，则创建
            pic_dir.mkdir()
        return shop_dir, pic_dir

    @classmethod
    def get_origin_price(cls, ser: pd.Series) -> float:
        """
        解析skus中的原价origin_price
        :param ser: 数据行
        :return:
        """
        skus = ser['skus'][0]
        origin_price = skus['origin_price']
        return origin_price

    @classmethod
    def parse_data(cls, filename: pl.Path) -> tuple:
        """
        解析获取到的美团店铺数据
        :param filename: 存储数据的文件路径
        :return:
        """
        with open(filename, 'r', encoding='utf-8') as fin:
            data = fin.read()
        data = json.loads(data)
        # 解析数据步骤
        shop_name = data['data']['poi_info']['name']
        data = data['data']['food_spu_tags']
        df = pd.DataFrame()
        for tag in data:
            dfx = pd.DataFrame(tag['spus'])
            dfx['分类'] = tag['name']
            df = pd.concat([df, dfx])
        df = df.loc[df['分类'].map(lambda x: x not in ['折扣', '热销', '推荐'])]
        df['原价'] = df.apply(cls.get_origin_price, axis=1)
        df.reset_index(inplace=True, drop=True)
        return shop_name, df

    @classmethod
    def download_picture(cls, url: str, filename: pl.Path):
        """
        下载图片的方法
        :param url: 图片的地址
        :param filename: 输出图片的路径(含文件名)
        :return:
        """
        # 初始化请求头
        headers = {
            "accept": "image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8",
            "accept-encoding": "gzip, deflate, br",
            "accept-language": "zh-CN,zh;q=0.9",
            "referer": "https://h5.waimai.meituan.com/",
            "sec-ch-ua": "\" Not;A Brand\";v=\"99\", \"Google Chrome\";v=\"97\", \"Chromium\";v=\"97\"",
            "sec-ch-ua-mobile": "?0",
            "sec-ch-ua-platform": "\"Windows\"",
            "sec-fetch-dest": "image",
            "sec-fetch-mode": "no-cors",
            "sec-fetch-site": "cross-site",
            "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36"
        }
        # 下载文件
        file = requests.get(url, headers, stream=True)



    
        with open(filename, "wb") as code:
            for chunk in file.iter_content(chunk_size=1024):  # 边下载边存硬盘
                if chunk:
                    code.write(chunk)

    @classmethod
    def get_pictures(cls, shop_name: str, data: pd.DataFrame, pic_dir: pl.Path):
        """
        批量获取图片数据的方法
        :param shop_name: 店铺名
        :param data: 数据
        :param pic_dir: 图片存放的目录
        :return:
        """
        print(f'开始下载店铺：{shop_name} 的图片')
        # 下载前按照菜品名称与图片地址进行去重处理，减少请求数量
        download_data = data.copy()
        download_data = download_data.drop_duplicates(['name', 'picture'], keep='last')
        # 筛选去除图片地址为空的
        download_data = download_data.loc[
            (download_data['picture'].map(lambda x: pd.notnull(x))) |
            (download_data['picture'] != '')
            ]
        max_len = len(download_data)
        for idx, food in enumerate(download_data.to_dict(orient='records')):  # 遍历数据
            pic_url = food['picture']
            # 拆分获取图片扩展名
            suffix = pl.Path(pic_url.split('/')[-1]).suffix
            # 加工出图片的路径(包含名称)
            name = food['name'].replace('\\', '_').replace('/', '_')
            filename = pic_dir / f"{name}{suffix}"
            # 使用下载方法下载
            try:
                cls.download_picture(pic_url, filename)
                print(f'({idx+1}/{max_len})菜品:{food["name"]} 图片下载完成')
            except Exception as e:
                print(f'!!!({idx+1}/{max_len})菜品:{food["name"]} 图片下载失败，错误提示是： {e}')
            # 随机暂停
            time.sleep(randint(1, 3) / 10)

    @classmethod
    def write_data(cls, shop_name, data, shop_dir):
        """
        将数据输出至excel文件
        :param shop_name: 店铺名
        :param data: 数据
        :param shop_dir: 店铺存放的文件夹
        :return:
        """
        data.to_excel(shop_dir / f'{shop_name}.xlsx', index=False)

    def run(self):
        """
        运行程序
        :return:
        """
        try:
            for filename in self.file_path.iterdir():
                # 先解析人工取得的数据
                shop_name, data = self.parse_data(filename)
                # 再创建文件夹
                shop_dir, pic_dir = self.create_dir(shop_name)
                # 写入Excel文件
                self.write_data(shop_name, data, shop_dir)
                # 获取图片
                self.get_pictures(shop_name, data, pic_dir)
                print(f'店铺：{shop_name}的数据已解析下载完毕，数据存储在：“{shop_dir.absolute()}”路径下')
            return True, None
        except Exception as e:
            return False, e


if __name__ == '__main__':
    spider = SpiderObj()
    res, err = spider.run()
    if res:
        input('程序已运行完毕，按回车键退出')
    else:
        input(f'程序运行出错，错误提示是： {err}')

3. 程序运行

总结

  不管全自动还是半自动，能解决问题的都是好爬虫。最后实现的爬虫实际上使用到的知识点都不是困难的：

1. 读取文件，使用json、pandas解析数据输出Excel表格；
2. 使用for循环，requests的get请求下载图片
3. 创建文件夹，去重、try-except等

因此需求是要进行多沟通的，说不定沟通后有难度的会变成没有难度的...
至于回避的那三个难点留给某位大老板用Money激发我去攻克吧^_^

今晚来蚂蚁老师抖音直播间，Python带副业全套餐有优惠！！！