python爬虫实战:使用selenium爬取淘宝搜索相关的内容
环境:Windows 10 python 3.6x MongoDB
所需要的第三方库 :selenium, pymongo,pyquery
MongoDB可视化工具:MongoDB compass community
浏览器:Chrome
关于第三方库的使用这里不再做过的阐述,详情请查阅相关文档。
首先,需要测试连接MongoDB数据库,这里使用的是pymongo库。请确保安装了MongoDB数据库!!!
导入相关库和方法
from pymongo import MongoClient
声明一个MongoDB的连接对象
client = MongoClient(‘localhost’, 27017)
这里还有另外一种使用URL的方式也是一样的
client = MongoDB(‘mongodb://localhost:27017’)
声明想要连接的数据库名称
db = client[MONGO_DB]
声明DB下面的collection
collection = db[MONGO_COLLECTION]
测试插入一条数据
mydict = {“Name”: “ABC”}
collection.insert_one(mydict)
如果连接成功在对应的数据库下会多出一条记录,可以通过MongoDB compass工具查询到
开始进行爬虫
在开始爬虫代码之前,确保已经安装了相应的库,另外Chrome浏览器需要一个插件Chrome driver(可在网上搜索下载),将这个插件放到python编译器文件目录下的scripts目录下即可使Chrome正常地被程序驱动。
from selenium import webdriver
browser = webdriver.Chrome()
Chrome浏览器可以正常被驱动了。
全代码
#coding=utf-8
import re
from selenium.common.exceptions import TimeoutException
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from pyquery import PyQuery as pq
from pymongo import MongoClient
from config import *
client = MongoClient('localhost', 27017)
db = client[MONGO_DB]
collection = db[MONGO_COLLECTION]
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
def search():
from selenium.common.exceptions import TimeoutException
try:
browser.get('https://www.taobao.com')
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
)
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button")))
input.send_keys('美食')
submit.click()
total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total")))
get_products()
return total.text
except TimeoutException:
print('Try again')
return search()
def next_page(page_number):
try:
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > input"))
)
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit")))
input.clear()
input.send_keys(page_number)
submit.click()
wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page_number)))
get_products()
except TimeoutException:
print('Try next again')
next_page(page_number)
def get_products():
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
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('src'),
'price': item.find('.price').text(),
'deal': item.find('.deal-cnt').text()[:-3],
'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):
try:
if db[MONGO_COLLECTION].insert(result):
print("存储到MongoDB成功")
except Exception:
print("存储到MongoDB失败")
def main():
total = search()
total = int(re.compile('(\d+)').search(total).group(1))
print("Total pages are:", total)
for i in range(2, total+1):
next_page(i)
if __name__ == '__main__':
main()
代码中使用pyquery库来解析网页可以十分简单地得到相应的信息。
config配置文件
MONGO_DB = 'TaoBao'
MONGO_COLLECTION = 'product'
最后结果如下,由于大小限制只展示部分数据