使用Selenium爬取淘宝商品（绕过登录页面）

降温vae+

已于 2022-04-08 16:36:05 修改

阅读量7.1k

点赞数 13

分类专栏：爬虫文章标签：爬虫 python selenium

于 2022-04-08 16:23:52 首次发布

本文链接：https://blog.csdn.net/m0_49449205/article/details/124041314

版权

爬虫专栏收录该内容

20 篇文章 3 订阅

订阅专栏

文章目录

1.准备工作
2.接口分析
3.页面分析
4.获取商品列表
5.解析商品列表
6.保存到MongoDB
7.遍历每页
8.异常处理（绕过登录反爬机制）
- 方法一：修改ChromeDriver.exe
- 方法二：将用户信息的配置文件在代码中加载
9.运行
参考文献

在之前的文章中，我们成功尝试分析Ajax来抓取页面相关数据，但是并不是所有的页面都可以通过分析Ajax来完成抓取。比如，淘宝，它的整个页面数据构造也是用过Ajax获取的，但是这些Ajax接口参数比较复杂，可能会包含加密密钥等，所以如果想自己构造Ajax参数，还是比较困难的。对于这种页面，最方便快捷的抓取方法就是通过Selenium。下面，我们用Selenium来模拟浏览器操作，抓取淘宝商品信息，并将结果保存到MongoDB。

1.准备工作

本文以Chrome为例来讲解Selenium的用法。在开始之前，请确保已经正确安装好了Chrome浏览器并配置好了ChromeDriver；另外，还需要正确安装Python的Selenium库。

2.接口分析

首先，我们来打开淘宝的接口，观察一下它的ajax请求。
打开淘宝页面，搜索商品，比如ipad，此时打开开发者工具，查看Ajax请求，我们可以发现，根本没有Ajax请求，如图
在这里插入图片描述
不过没有关系，我们可以直接用Selenium来模拟浏览器，只要在浏览器里能看到的，都可以爬取。这也是我们选择使用Selenium的原因。

3.页面分析

我们的目标是爬取商品信息。如图是一个商品条目，其中包含商品的基本信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地，我们要做的就是将这些信息都抓取下来。
在这里插入图片描述
抓取入口就是淘宝的搜索页面，这个链接可以通过直接构造参数访问。例如，如果搜ipad，就可以直接访问https://s.taobao.com/search?q=ipad，呈现的就是第一页的搜索结果，如图所示

在页面下方，有一个分页导航，其中既包括前5页的链接，也包括下一个的链接，同时还有一个输入任意页码跳转的链接，如图
在这里插入图片描述
这里商品搜索的结果一般最大都是100页，要获取每一页的内容，只需要将页码从1到100顺序遍历即可，页码数是确定的。所以，直接在页面跳转文本框中输入要跳转的页码，然后点击“确定”按钮即可跳转到页码对应的页面。
这里不直接点击“下一页”的原因是：一旦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。整个流程比较复杂，所以我们这里直接用跳转的方式来爬取页面。
当我们成功的加载出某一页商品列表时，利用Selenium即可获取页面源代码，然后再用相应的解析库解析即可。这里我们选用pyquery解析。下面我们用代码实现整个抓取过程。

4.获取商品列表

首先，需要构造一个抓取的URL：https://s.taobao.com/search?q=ipad。这个URL非常简洁，参数q就是要搜索的关键字。只要改变这个参数，即可获取不同的商品列表。这里我们将商品的关键字定义成一个变量，然后构造出这样的一个URL。
然后就需要用Selenium进行抓取了。我们实现了如下抓取列表页的方法：

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 urllib.parse import quote
import time

browser = webdriver.Chrome()
wait = WebDriverWait(browser,10)
KEYWORD = 'ipad'

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)
        browser.get(url)
        if page>1:
            input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager div.form > input')))
            submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#mainsrp-pager div.form > span.btn.J_Submit')))
            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)

这里首先构造了一个WebDriver对象，使用的浏览器是Chrome，然后指定一个关键词，如ipad，接着定义了index_age()方法，用于抓取商品列表页。
在该方法里，我们首先访问了搜索商品的链接，然后判断了当前的页码，如果大于1，就进行跳页操作，否则等待页面加载完成。
等待加载时，我们使用了WebDriverWait对象，它可以指定等待条件，同时指定一个最长等待时间，这里指定为10s。如果在这个时间内成功匹配了等待条件，也就是说页面元素成功加载出来了，就立即返回相应结果并继续向下执行，否则到了最大等待时间还没有加载出来时，就直接抛出超时异常。
比如，我们最终要等待商品信息加载出来，就指定了presnece_of_element_located这个条件，然后传入了.m-itemlist .items .item这个选择器，而这个选择器对应的页面内容就是每个商品的信息块，可以在网页中查看。如果加载成功，就会执行后续的get_products()方法，提取商品信息。
关于翻页操作，这里首先获取页码输入框，赋值为input，然后获取“确定”按钮，赋值为submit，分别是图中的两个元素。
在这里插入图片描述
首先，我们清空了输入框，此时调用clear（）方法即可。随后，调用send_keys()方法将页码填充到输入框中，然后点击“确定按钮即可”
那么，怎么样知道有没有跳转到对应的页码呢？我们可以注意到，成功跳转到某一页后，页码都会高亮显示，如图
在这里插入图片描述
我们只需要判断当前高亮的页码数是当前的页码数即可，所以这里使用了另一个等待条件text_to_be_present_in_element，它会等待指定的文本出现在某一个节点里面时即返回成功。这里我们将高亮的页码节点对应的CSS选择器和当前要跳转的页码通过参数传递给这个等待条件，这样它就会检测当前高亮的页码节点是不是我们传过来的页码数，如果是，就证明页面成功跳转到了这一页，页面跳转成功。
这样刚才实现的index_page()方法就可以传入对应的页码，待加载出对应页码的商品列表后，再去调用get_products()方法进行页面解析。

5.解析商品列表

接下来，我们就可以实现get_products()方法来解析商品列表了。这里我们直接获取页面源代码，然后用pyquery进行解析，实现如下：

from pyquery import PyQuery as pq
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)

首先，调用page_source属性获取页码的源代码，然后构造了PyQuery对象，提取了商品列表，此时使用的CSS选择器是#mainsrp-itemlist .items .item，它会匹配整个页面的每个商品。它的匹配结果是多个，所以这里我们又对它进行了一次遍历，用for循环将每个结果分别进行解析，每次循环把它赋值为item变量，每个item变量都是一个PyQuery对象，然后再调用它的find()方法，传入CSS选择器，就可以获取单个商品的特定内容。
比如查看一下商品源码
在这里插入图片描述
可以发现，它是一个img节点，包含id、class、data-src、alt和src属性，这里之所以可以看到这样图片，是因为它的src属性被赋值为图片的URL。把它的src属性提取出来，就可以获取商品的完整图片了。不过我们还注意data-src属性，它的图片内容也是图片的URL，观察后发现此URL是图片的完整大图，而src是压缩后的小图，所以这里抓取data-src属性来作为商品的图片。
因此，我们需要先利用find()方法找到图片的这个节点，然后再调用attr()方法获取商品的data-src属性，这样就成功提取了商品的链接。然后用同样的方法提取商品的价格、成交量、名称、店铺所在地等信息，接着将所有提取结果赋值为一个字典product，然后调用save_mongo()将其保存到MongoDB即可。

6.保存到MongoDB

接下来，我们将商品信息保存到MongoDB，代码如下：

import pymongo

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

这里首先创建了一个MongoDB的连接对象，然后指定了数据库，随后指定了Collection的名称，接着调用insert()方法将数据库插入到MongoDB。此处的result的变量就是在get_products()方法里传来的product，包含单个商品的信息。

7.遍历每页

刚才我们所定义的get_index()方法需要接收参数page，page代码页码。这里我们实现页码遍历即可，代码如下：

MAX_PAGE = 10
def main():
    """
    遍历
    :return:
    """
    for i in range(1,MAX_PAGE+1):
        index_page(i)
        time.sleep(10)

main()

最后调用main()方法即可运行。

8.异常处理（绕过登录反爬机制）

当写到这里，如果运行程序会发现，程序在弹出浏览器窗口后，会出现登陆页面，但是当你尝试输入账户密码时，滑块的验证始终失效。并且页面还会不断刷新。如图
在这里插入图片描述
针对这种情况，博主找到了两种解决方案

方法一：修改ChromeDriver.exe

之所以出现这种情况，是因为在淘宝的登录页面，有这样一个js，它会判断你是通过驱动打开的浏览器还是其他情况，如果是驱动打开那么这个判断为真就会出现这种情况，如图，为判断的js
在这里插入图片描述
我们在控制台运行一下这个脚本window.navigator.webdriver

可以看到，判断为真，说明浏览器知道我们使用的是驱动。
那该如何解决呢？
首先，使用nodepad++或者记事本打开chrome，查找$cdc，找到这串代码后，将其用等长的字符串替代即可，例如把最后的l改成a。
在这里插入图片描述
然后把部分代码改为如下模式，将浏览器设置为开发者模式：

option = webdriver.ChromeOptions()
#开发者模式的开关，设置一下，打开浏览器就不会识别为自动化测试工具了
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = webdriver.Chrome(chrome_options=option)

如果这种方法不能奏效，请看第二种方法

方法二：将用户信息的配置文件在代码中加载

首先，在Chrome中输入chrome://version/查看信息。如图，这是我们用户信息。
在这里插入图片描述
然后在代码中，加载浏览器配置

chrome_option = webdriver.ChromeOptions()
p=r'C:\Users\赵磊\AppData\Local\Google\Chrome\User Data'
#chrome_option.add_experimental_option('excludeSwitches', ['enable-automation'])  # 以开发者模式
chrome_option.add_argument('--user-data-dir='+p)
browser = webdriver.Chrome(options=chrome_option)
wait = WebDriverWait(browser,10)

这样在爬取时就不会出现登录页面了。
在这里插入图片描述

9.运行

此时运行代码，会发现弹出一个Chrome浏览器，然后会访问淘宝页面，接着控制台输出如下
在这里插入图片描述
可以发现，这些商品信息的结果都是字典形式，它们倍存储到MongoDB里面，再看一下MongoDB中的结果

说明信息保存到MongoDB中，爬取成功。

最后给出本文的代码地址：https://github.com/jiangwenvae/Spider/blob/main/spider/taobaoSleninum.py

参考文献

[1].Python3网络爬虫开发实战.崔庆才.——7.4使用Selenium爬取淘宝商品

降温vae+

关注

13
点赞
踩
137

收藏

觉得还不错? 一键收藏
打赏
19
评论
使用Selenium爬取淘宝商品（绕过登录页面）

文章目录1.准备工作2.接口分析3.页面分析4.获取商品列表5.解析商品列表6.保存到MongoDB7.遍历每页8.异常处理（绕过登录反爬机制）方法一：修改ChromeDriver.exe方法二：将用户信息的配置文件在代码中加载9.运行参考文献在之前的文章中，我们成功尝试分析Ajax来抓取页面相关数据，但是并不是所有的页面都可以通过分析Ajax来完成抓取。比如，淘宝，它的整个页面数据构造也是用过Ajax获取的，但是这些Ajax接口参数比较复杂，可能会包含加密密钥等，所以如果想自己构造Ajax参数，还是比较
复制链接

扫一扫