[Python 爬虫之路3] 使用seletom，爬取淘女郎-美人库的内容

关键点

1. 显式和隐式的停止
2. 这次只用到了对象的点击，之后还会用到表单填写等更复杂的东西

# 目标：
# 对淘女郎-美人库页面的美人信息和图片进行抓取
# 1.创建新的目录，用对应的用户名存取每一个照片

# 使用 seletom 来进行动态的抓取

__author__ = 'XZ'
# -*- coding:utf-8 -*-
# 使得python支持中文

import requests
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import os

class TBMR:
    # 初始化，传入基本部分和参数部分
    def __init__(self):
        pass

    # 获取首页的页面信息
    def getMMsInfo(self):
        url = 'https://www.taobao.com/markets/mm/mmku'
        driver = webdriver.Chrome()
        driver.get(url)
        try:
            element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.CLASS_NAME,"skip-wrap"))) # 查看10秒内，是否有页码部分出现
            print("成功提取页码")
            soup = BeautifulSoup(driver.page_source,"html.parser")
            # 获取到了全部的页数
            pageNum = soup.find('span',class_ = "skip-wrap").find('em').text

            print("开始爬取头像！")
            # 同时得保存第一出现的图片，因为观察可得，原网页当前页是不能点击的，所以第一次不能通过点击完成
            # 获取网页内容
            soup = BeautifulSoup(driver.page_source, "html.parser")
            mms = soup.find_all('div', class_="cons_li")
            # 对于每一个mm对象，获取其名字和头像
            self.saveMMS(mms)

            # 从第2页开始便利点击
            for i in range(2,int(pageNum)):
                # 点击当前页
                curpage = driver.find_element_by_link_text(str(i))
                curpage.click()
                # 等待当前页加载完成
                pics = WebDriverWait(driver,10).until(EC.presence_of_element_located((By.CLASS_NAME,"skip-wrap")))
                # 获取网页内容
                soup = BeautifulSoup(driver.page_source,"html.parser")
                mms = soup.find_all('div',class_ = "cons_li")
                # 对于每一个mm对象，获取其名字和头像
                self.saveMMS(mms)
                print("当前完成：第"+str(i)+"页")
        finally:
            driver.quit()

    # 从一个mms对象保存

    def saveMMS(self,mms):
        for mm in mms:
            name = mm.find('div', class_="item_name").find("p").text
            img = mm.find('div', class_='item_img').find('img').get("src")
            # 如果路径不存在，设置存储路径
            dirpath = os.getcwd() + "\\美人\\"
            if not os.path.exists(dirpath):
                os.makedirs(dirpath)
            namepath = os.getcwd() + "\\美人\\" + name + ".jpg"
            self.saveImg(img, namepath)

    # 保存一张照片
    def saveImg(self, imageURL, fileName):
        if not 'http' in imageURL: # 去掉src不格式的图片：例如 //img.alicdn.com/imgextra/i3/728310618/TB2s7glc3NlpuFjy0FfXXX3CpXa_!!728310618-2-beehive-scenes.png_468x468q75.jpg，是无法识别的
            return
        u = requests.get(imageURL,stream = True).content

        try:
            with open(fileName,'wb') as jpg:
                jpg.write(u)
        except IOError:
            print("写入图片错误！")

    # 开始函数
    def start(self):
        print("抓起淘女郎-美人库第一页的内容，并存储于\" 美人 \" 文件夹下")
        self.getMMsInfo()
        print("下载完成！")

tbmm = TBMR()
tbmm.start();