python爬虫实战-使用selenium爬取淘宝搜索相关内容

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

代码中的很多方法都是selenium库的方法，详情可以参考相关的文档。链接如下：

链接：https://pan.baidu.com/s/16gkY1Go8Ya8zpDiw1sFRFg 密码：yifg