selenium抓取淘宝商品信息
(动态页面抓取selenium实例)
目标:爬取前100页淘宝美食信息
淘宝链接:
思路:
很明显淘宝网页使用的是动态网页,需要爬取前100页美食的信息,可以分为两步
第一步:抓取第一页美食内容然后再调用提取美食信息的函数
第二步:抓取下一页美食内容然后再调用提取美食信息的函数
备注:
1.Python字典items()方法用于返回字典dict的(key,value)元组对的列表
完整代码:
import re
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
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 config import *
import pymongo
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
browser = webdriver.Chrome()
# 浏览器的响应时间
wait = WebDriverWait(browser, 10)
def search():
try:
browser.get('https://www.taobao.com')
#直到加载结束才选择文本框
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))
)
#直到能点击时才获取点击按钮
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))
)
#在input文本框输入文本
input.send_keys(KEYWORDS)
#点击搜索按钮
submit.click()
#搜索总页数,都不是自己输入直接用copy selector提取的
total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))
return total.text
print(total.text)
#等全部加载完才能调用获取商品的函数
get_products()
except TimeoutException:
#如果超时就重新再爬
return search()
def next_page(page_number):
try:
input = wait.until( #页码处的文本框
EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))
)
#页码处的点击按钮
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))
)
#爬之前先清空搜索栏
input.clear()
#输入数字
input.send_keys(page_number)
submit.click()
#判断当前页码是否是传入的页码
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:
next_page(page_number)
#提取商品信息的函数
def get_products():
#知道获取商品的内容标签
#具体到获取商品的信息的selector必须要自己输入,直接copy的不能使用
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()#Python字典items()方法用于返回字典dict的(key,value)元组对的列表
# 这里这种返回dict的方法可以借鉴
for item in items:
product = {
'image' : item.find('.pic .img').attr('src'),
'price' : item.find('.price').text().replace('\n', ''),
'location' : item.find('.location').text(),
'deal' : item.find('.deal-cnt').text()[:-3],
'shop' : item.find('.shop').text(),
'title': item.find('.title').text().replace('\n', '')
}
print(product)
save_to_mongo(product)
def save_to_mongo(result):
try:
if db[MONGO_TABLE].insert(result):#insert的对象是dict,但是result在前一个函数已经变成了dict
print('保存到mongo成功')
except Exception:
print('保存到mongo失败')
def main():
try:
total = search()# 获取总页码数字,顺便调用函数提取第一页商品信息
#提取数字,这个用法注意
total = int(re.compile('(\d+)').search(total).group(1))
for i in range(2, total + 1):
next_page(i)
except Exception:
print('出错了')
finally:
browser.close()
if __name__ == '__main__':
main()
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'
KEYWORDS = '电脑'