青柠檬。 发表于 2020-2-27 12:54

【Java爬虫】爬取淘宝买家秀

本帖最后由 青柠檬。 于 2020-2-27 12:55 编辑

[爬取目标](https://h5.m.taobao.com/ocean/privatenode/shop.html?&sellerId=50852803)

`https://h5.m.taobao.com/ocean/privatenode/shop.html?&sellerId=50852803`

需要sellerId=50852803的50852803

```
获取数据地址
https://acs.m.taobao.com/h5/mtop.taobao.social.feed.aggregate/1.0/?appKey=12574478&t=1582778795899&sign=367a770e5a56cfaafc350da1da6b7d76&api=mtop.taobao.social.feed.aggregate&v=1.0&timeout=300000&timer=300000&type=jsonp&dataType=jsonp&callback=mtopjsonp1&data=%7B%22params%22%3A%22%7B%5C%22nodeId%5C%22%3A%5C%22%5C%22%2C%5C%22sellerId%5C%22%3A%5C%2250852803%5C%22%7D%22%2C%22cursor%22%3A%221%22%2C%22pageNum%22%3A%221%22%2C%22pageId%22%3A5703%2C%22env%22%3A%221%22%7D
其中
t为当前时间戳
sign 为 (token + "&" + t + "&" + appKey + "&" + data) 这几个参数拼接后转成MD5

我们需要获取的就只有token,而token是服务器传过来的
所以伪造一次访问获取返回的token,然后再访问数据
```

pom.xml
```xml
    <dependency>
      <groupId>org.apache.httpcomponents</groupId>
      <artifactId>httpclient</artifactId>
      <version>4.5.11</version>
    </dependency>
    <dependency>
      <groupId>com.alibaba</groupId>
      <artifactId>fastjson</artifactId>
      <version>1.2.62</version>
    </dependency>
        <dependency>
      <groupId>org.projectlombok</groupId>
      <artifactId>lombok</artifactId>
      <optional>true</optional>
    </dependency>
```
TbBuyerShow.java
```Java
@Data
@NoArgsConstructor
public class TbBuyerShow {
    private String sellerId; //店铺类别ID
    private String title; //店铺名称
    private String userName; //用户名称
    private String userUrl; //用户链接
    private String userTitle; //用户评论
    private String imgId; //图片ID
    private String imgUrl; //图片衔接
    private String targetUrl; //图片来源
    private Integer pageNum;
}
```
BuyerShowReptile.Java
```
public class BuyerShowReptile {
   
    public static void main(String[] args) {
      List<TbBuyerShow> reptile = reptile("50852803", 1, 20);
      reptile.forEach(tbBuyerShow -> System.out.println(tbBuyerShow.getImgUrl()));
    }
    //ID,第几页,固定参数
    public static List<TbBuyerShow> reptile(String sellerId, int index, int num) {
      String url = "https://acs.m.taobao.com/h5/mtop.taobao.social.feed.aggregate/1.0/?";
      String appKey = "12574478";
      String t = String.valueOf(new Date().getTime());
      String sign = "af1fde903d6e32e57aaf3377e6a68f3a";
      String data = "{\"params\":" +
                "\"{\\\"nodeId\\\":" +
                "\\\"\\\",\\\"sellerId\\\":" +
                "\\\"" + sellerId + "\\\",\\\"pagination\\\":" +
                "{\\\"direction\\\":" +
                "\\\"1\\\",\\\"hasMore\\\":" +
                "\\\"true\\\",\\\"pageNum\\\":" +
                "\\\"" + index + "\\\",\\\"pageSize\\\":" +
                "\\\"" + num + "\\\"}}\",\"cursor\":" +
                "\"" + index + "\",\"pageNum\":" +
                "\"" + index + "\",\"pageId\":" +
                "5703,\"env\":" +
                "\"1\"}";
      Params params = newParams(appKey, t, sign, data);
      String str = htmlUrl(url, params);
      String mh5tk = "";
      String mh5tkenc = "";
      String token = "";
      String u;
      CookieStore cookieStore = new BasicCookieStore();
      CloseableHttpClient httpClient = HttpClientBuilder.create().setDefaultCookieStore(cookieStore).build();
      HttpGet httpGet = new HttpGet(str);
      CloseableHttpResponse response = null;
      try {
            response = httpClient.execute(httpGet);
            List<Cookie> cookies = cookieStore.getCookies();
            for (Cookie cookie : cookies) {
                if ("_m_h5_tk".equals(cookie.getName())) {
                  mh5tk = cookie.getValue();
                  token = mh5tk.split("_");
                }
                if ("_m_h5_tk_enc".equals(cookie.getName())) {
                  mh5tkenc = cookie.getValue();
                }
            }
            u = token + "&" + params.getT() + "&" + appKey + "&" + data;
            sign = DigestUtils.md5DigestAsHex(u.getBytes());
            params = newParams(appKey, t, sign, data);
            str = htmlUrl(url, params);
            Cookie cookie = new BasicClientCookie("_m_h5_tk", mh5tk);
            ((BasicClientCookie) cookie).setAttribute("_m_h5_tk_enc", mh5tkenc);
            cookieStore.addCookie(cookie);
            httpClient = HttpClientBuilder.create().setDefaultCookieStore(cookieStore).build();
            httpGet = new HttpGet(str);
            response = httpClient.execute(httpGet);
            HttpEntity entity = response.getEntity();
            String conResult = EntityUtils.toString(entity, "UTF-8");
            return newTbBuyerShow(conResult, sellerId, index);
      } catch (IOException e) {
            e.printStackTrace();
      } finally {
            try {
                if (httpClient != null) {
                  httpClient.close();
                }
                if (response != null) {
                  response.close();
                }
            } catch (IOException e) {
                e.printStackTrace();
            }
      }
      return null;
    }

    static List<TbBuyerShow> newTbBuyerShow(String conResult, String sellerId, Integer index) {
      List<TbBuyerShow> tbBuyerShows = new ArrayList<>();
      String title = ""; //店铺名称
      String userName = ""; //用户名称
      String userUrl = ""; //用户链接
      String userTitle = ""; //用户评论
      String imgId; //图片ID
      String imgUrl; //图片衔接
      String targetUrl = ""; //图片来源
      Integer pageNum = index; //页码
      if (!StringUtils.isEmpty(conResult)) {
            conResult = conResult.replace("mtopjsonp(", "");
            conResult = conResult.replace(")", "");
            JSONObject jsonObject = JSON.parseObject(conResult);
            jsonObject = jsonObject.getJSONObject("data");
            if (!StringUtils.isEmpty(jsonObject)) {
                JSONObject header = jsonObject.getJSONObject("header");
                if (!StringUtils.isEmpty(header)) {
                  title = (String) header.get("title");
                }
                JSONArray userList = jsonObject.getJSONArray("list");
                if (!StringUtils.isEmpty(userList)) {
                  for (int i = 0; i < userList.size(); i++) {
                        JSONObject list = userList.getJSONObject(i);
                        JSONObject user = list.getJSONObject("user");
                        if (!StringUtils.isEmpty(user)) {
                            userName = (String) user.get("userNick");
                            userUrl = (String) user.get("userUrl");
                        }
                        if (!StringUtils.isEmpty(list.get("title"))) {
                            userTitle = (String) list.get("title");
                        }
                        if (!StringUtils.isEmpty(list.get("targetUrl"))) {
                            targetUrl = (String) list.get("targetUrl");
                        }
                        JSONArray picsList = list.getJSONArray("pics");
                        if (!StringUtils.isEmpty(picsList)) {
                            for (int j = 0; j < picsList.size(); j++) {
                              TbBuyerShow tbBuyerShow = new TbBuyerShow();
                              JSONObject pics = picsList.getJSONObject(j);
                              imgId = (String) pics.get("id");
                              imgUrl = (String) pics.get("path");
                              tbBuyerShow.setSellerId(sellerId);
                              tbBuyerShow.setTitle(title);
                              tbBuyerShow.setUserName(userName);
                              tbBuyerShow.setUserUrl(userUrl);
                              tbBuyerShow.setUserTitle(userTitle);
                              tbBuyerShow.setImgId(imgId);
                              tbBuyerShow.setImgUrl(imgUrl);
                              tbBuyerShow.setTargetUrl(targetUrl);
                              tbBuyerShow.setPageNum(pageNum);
                              tbBuyerShows.add(tbBuyerShow);
                            }
                        }
                  }
                }
            }
      }
      return tbBuyerShows;
    }

    static Params newParams(String appkey, String t, String sign, String data) {
      Params params = new Params();
      params.setAppKey(appkey);
      params.setT(t);
      params.setSign(sign);
      params.setApi("mtop.taobao.social.feed.aggregate");
      params.setV("1.0");
      params.setTimeout("300000");
      params.setTimer("300000");
      params.setType("jsonp");
      params.setDataType("jsonp");
      params.setCallback("mtopjsonp");
      params.setData(data);
      return params;
    }

    /**
   * * https://acs.m.taobao.com/h5/mtop.taobao.social.feed.aggregate/1.0/
   * * ?appKey=12574478
   * * &t=1581927984172
   * * &sign=e83a3add7b5fc1b70b0601a2ccd133e9
   * * &api=mtop.taobao.social.feed.aggregate
   * * &v=1.0
   * * &timeout=300000
   * * &timer=300000
   * * &type=jsonp
   * * &dataType=jsonp
   * * &callback=mtopjsonp1
   * * &data=%7B%22params%22%3A%22%7B%5C%22nodeId%5C%22%3A%5C%22%5C%22%2C%5C%22sellerId%5C%22%3A%5C%22109043255%5C%22%7D%22%2C%22cursor%22%3A%221%22%2C%22pageNum%22%3A%221%22%2C%22pageId%22%3A5703%2C%22env%22%3A%221%22%7D
   * *
   *
   * @param url
   * @return
   */
    static String htmlUrl(String url, Params params) {

      StringBuffer buffer = new StringBuffer();
      try {
            buffer.append(url)
                  .append("appkey=" + URLEncoder.encode(params.getAppKey(), "utf-8"))
                  .append("&t=" + URLEncoder.encode(params.getT(), "utf-8"))
                  .append("&sign=" + URLEncoder.encode(params.getSign(), "utf-8"))
                  .append("&api=" + URLEncoder.encode(params.getApi(), "utf-8"))
                  .append("&v=" + URLEncoder.encode(params.getV(), "utf-8"))
                  .append("&timeout=" + URLEncoder.encode(params.getTimeout(), "utf-8"))
                  .append("&timer=" + URLEncoder.encode(params.getTimer(), "utf-8"))
                  .append("&type=" + URLEncoder.encode(params.getType(), "utf-8"))
                  .append("&dataType=" + URLEncoder.encode(params.getDataType(), "utf-8"))
                  .append("&callback=" + URLEncoder.encode(params.getCallback(), "utf-8"))
                  .append("&data=" + URLEncoder.encode(params.getData(), "utf-8"));
      } catch (UnsupportedEncodingException e) {
            e.printStackTrace();
      }
      return buffer.toString();
    }
}
```

liku518 发表于 2021-6-1 09:19

太复杂了,看不懂,也不会用。能不能让我双击一下就运行起来的,如果想想抓取哪个类目的买家秀,输入链接,或者关键词,或者ID号就可以的。比如我想爬取紧身裤,包臀裙,丝袜,瑜伽裤等等,

青柠檬。 发表于 2021-4-2 09:47

songjing 发表于 2021-4-2 09:20
真写不出来,那个p对象,可以贴出来吗,不会写,亲

P```

Params params = new Params();
      params.setAppKey(appkey);
      params.setT(t);
      params.setSign(sign);
      params.setApi("mtop.taobao.social.feed.aggregate");
      params.setV("1.0");
      params.setTimeout("300000");
      params.setTimer("300000");
      params.setType("jsonp");
      params.setDataType("jsonp");
      params.setCallback("mtopjsonp");
      params.setData(data);
      return params;
```
Params 里面就这些东西反推一下嘛 ,很简单的
```
@Data
public class Params {
...
private String sign;
private String api;
private String v;
...
}
```

落椛哟 发表于 2020-2-27 13:05

我第一   我第一

那年听风 发表于 2020-2-27 13:08

aygiqg 发表于 2020-2-27 13:15

虽然看不懂但还是要顶一个

哈哈衬 发表于 2020-2-27 13:30

一般用python用java的应该很厉害吧

青蛙考拉 发表于 2020-2-27 13:35

这代码放在哪里运行

青柠檬。 发表于 2020-2-27 13:47

青蛙考拉 发表于 2020-2-27 13:35
这代码放在哪里运行

maven+Java

破风 发表于 2020-2-27 13:48

有没有大佬能写一个python的出来让我们学习一下

有名小卒 发表于 2020-2-27 14:01

python爬虫不香吗

xu474242 发表于 2020-2-27 14:17

好像学爬虫啊,可是没有耐心
页: [1] 2 3
查看完整版本: 【Java爬虫】爬取淘宝买家秀