用selenium爬取淘宝信息

#用selenium爬取淘宝信息| 来源: 网络整理| 查看: 265

需要的模块和组件

因为淘宝的Ajax比较复杂，所以这里使用Selenium来模拟浏览器的操作，抓取淘宝商品的信息，并将结果保存到MongoDB中。（我也不清楚为什么复杂，但是可以学一些新东西也可以把。） Selenium是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。要用到Chrome就需要用到ChromeDriver，这是一个浏览器驱动程序，用来启动Chrome等浏览器。

分析网站

在这里插入图片描述可以看到我们输入链接https://s.taobao.com/search?q=好吃的，就可以进入指定的搜索地址。你直接搜东西在复制淘宝会隐藏，不会直观的显示出来，所以这样更美观一些。然后就可以用Selenium进行抓取了，下面就是Selenium的一些用法。

from selenium import webdriver #导入浏览器驱动 from selenium.webdriver.common.by import By #这是一些方法，下面会细说 from selenium.webdriver.common.keys import Keys from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait browser = webdriver.Chrome() #使用 Chrome浏览器爬取 try: browser.get('https://www.baidu.com') #给浏览器传入url input = browser.find_element_by_id('kw') #找到百度的输入框 input.send_keys('Python') #传入keys值为python input.send_keys(Keys.ENTER) #找到确认键 wait = WebDriverWait(browser, 10) #设置等待的时间 wait.until(EC.presence_of_element_located((By.ID, 'content_left'))) #等待确认已经进入了要进入的页面 print(browser.current_url) #输出输入python后的url print('_______________________') print(browser.get_cookies()) #输出cookies print('_______________________') print(browser.page_source) #输出整个原文html代码 finally: browser.close() #最后关闭browser

上面测试了一下可用Selenium模拟搜索关键字并进行搜索。做个笔记：在这里插入图片描述这句代码的意思是选择选择器。检查，找到输入框，右键选择复制Copy selector，就将’kw’这个选择器选择出来，然后进行赋值，再选择确认键。下面的淘宝输入框也是一样的。

正式开始爬取 import pymongo from selenium import webdriver from selenium.common.exceptions import TimeoutException from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait from pyquery import PyQuery as pq from config import * from urllib.parse import quote browser = webdriver.Chrome() #指定浏览器 wait = WebDriverWait(browser, 10) #等待时间 KEYWORD = '***' #指定想要搜索的关键字 def index_page(page): #爬取索引页的方法 """ 抓取索引页 :param page: 页码 """ print('正在爬取第', page, '页') try: url = 'https://s.taobao.com/search?q=' + quote(KEYWORD) #url browser.get(url) #浏览器获取url if page > 1: input = wait.until( EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))) #获取输入页码的框 submit = wait.until( EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_SearchForm > button'))) #获取确认按键 input.clear() #清楚之前输入的数据 input.send_keys(page) #传入页码 submit.click() #确认 wait.until( EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page))) wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item'))) get_products() #跳转到解析商品信息函数 except TimeoutException: #如果错误重新加载 index_page(page)

因为这个页码非常多，为了防止爬取过程中出现异常退出，比如到50页退出了，此时点击“下一页”时，就无法快速切换到对应的后续页面了。此外，在爬取过程中，也需要记录当前的页码数，而且一旦点击“下一页”之后页面加载失败，还需要做异常检测，检测当前页面是加载到了第几页。整个流程相对比较复杂，所以这里我们直接用跳转的方式来爬取页面。在这里插入图片描述首先获取小的红框里面的输入页码框，再获取确认框。

解析函数 get_products(): """ 提取商品数据 """ html = browser.page_source #获取源码 doc = pq(html) #使用pyquery对源码进行解析 items = doc('#mainsrp-itemlist .items .item').items() #获取class为items的所有内容 for item in items: product = { 'image': item.find('.pic .img').attr('data-src'), #获取图片 'price': item.find('.price').text(), #获取金额 'deal': item.find('.deal-cnt').text(), #多少人付款 'title': item.find('.title').text(), #标题 'shop': item.find('.shop').text(), #店铺名 'location': item.find('.location').text() #所在地 } print(product) #输出结果 save_to_mongo(product) #将结果传入mongo函数

在这里插入图片描述由上图可知，一份商品包裹再一个class的div中，所有商品包含在一个class为items的div中。

items = doc('#mainsrp-itemlist .items .item').items()

就是获取到了所有的商品源码。

在这里插入图片描述上面两个图分别是图片和价格的位置，使用“.”搜索class就可以找到。

存储到MongoDB MONGO_URL = 'localhost' MONGO_DB = 'taobao' MONGO_COLLECTION = 'products' client = pymongo.MongoClient(MONGO_URL) db = client[MONGO_DB] def save_to_mongo(result): """ 保存至MongoDB :param result: 结果 """ try: if db[MONGO_COLLECTION].insert(result): print('存储到MongoDB成功') except Exception: print('存储到MongoDB失败')

MongoDB是由C++语言编写的非关系型数据库，是一个基于分布式文件存储的开源数据库系统，其内容存储形式类似JSON对象，它的字段值可以包含其他文档、数组及文档数组，非常灵活。

详细的安装和操作可以去崔庆才博客查看。

多页查询 MAX_PAGE = 10 #定义爬取最大页数 def main(): """ 遍历每一页 """ for i in range(1, MAX_PAGE + 1): #range包前不包后 index_page(i) browser.close() #结束后关闭任务 if __name__ == '__main__': #启动 main() 完整代码 import pymongo from selenium import webdriver from selenium.common.exceptions import TimeoutException from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait from pyquery import PyQuery as pq from config import * from urllib.parse import quote # browser = webdriver.Chrome() # browser = webdriver.PhantomJS(service_args=SERVICE_ARGS) #浏览器设置为在后台运行的状态，全程不显示浏览器界面 chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--headless') # browser = webdriver.Chrome(chrome_options=chrome_options) browser = webdriver.Chrome() # 设置Chrome为爬取的浏览器 wait = WebDriverWait(browser, 100) # 设定等待时间，100秒 MONGO_URL = 'localhost' # MONGO的url为本地主机 MONGO_DB = 'taobao' # 数据库名为taobao MONGO_COLLECTION = 'products' # 数据库表名为products client = pymongo.MongoClient(MONGO_URL) # 客户机的url为localhost db = client[MONGO_DB] # 储存为名字为MONGO_DB的数据库 KEYWORD = '美食' SERVICE_ARGS = ['--load-images=false', '--disk-cache=true'] def index_page(page): """ 抓取索引页 :param page: 页码 """ print('正在爬取第', page, '页') try: url = 'https://s.taobao.com/search?q=' + quote(KEYWORD) # url browser.get(url) # 浏览器获取url if page > 1: input = wait.until( EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input'))) # 获取输入页码框 submit = wait.until( EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit'))) # 获取确认按键 input.clear() input.send_keys(page) submit.click() wait.until( EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page))) wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item'))) get_products() except TimeoutException: index_page(page) def get_products(): """ 提取商品数据 """ html = browser.page_source doc = pq(html) items = doc('#mainsrp-itemlist .items .item').items() for item in items: product = { 'image': item.find('.pic .img').attr('data-src'), 'price': item.find('.price').text(), 'deal': item.find('.deal-cnt').text(), 'title': item.find('.title').text(), 'shop': item.find('.shop').text(), 'location': item.find('.location').text() } print(product) save_to_mongo(product) def save_to_mongo(result): """ 保存至MongoDB :param result: 结果 """ try: if db[MONGO_COLLECTION].insert(result): print('存储到MongoDB成功') except Exception: print('存储到MongoDB失败') MAX_PAGE = 10 def main(): """ 遍历每一页 """ for i in range(1, MAX_PAGE + 1): index_page(i) browser.close() if __name__ == '__main__': main() 总结

以上就是爬取淘宝获取信息的所有步骤，经过这个项目，我学到了selenium再项目中的应用，也了解了MongoDB数据库的基础操作。

【本文地址】

公司简介

联系我们