目录
项目介绍
项目基于Python的第三方库Selenium模拟浏览器运行、PyQuery解析和操作HTML文档,获取淘宝平台中某类商品的详细信息(商品标题、价格、销量、商铺名称、地区、商品详情页链接、商铺链接等),并基于第三方库openpyxl建立、存储于Excel表格中。
效果预览:
代码部分
引用第三方库
# 声明第三方库/头文件
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
import time
import openpyxl as op #导入Excel读写库
【第三方库】主要运用到PyQuery、selenium、openpyxl等Python的第三方库;如若缺失,使用pip指令安装即可。
pip install pyquery
pip install selenium
pip install openpyxl
全局定义
# 全局变量
count = 1 # 写入Excel商品计数
# 启动ChromeDriver服务
options = webdriver.ChromeOptions()
# 关闭自动测试状态显示 // 会导致浏览器报:请停用开发者模式
options.add_experimental_option("excludeSwitches", ['enable-automation'])
# 把chrome设为selenium驱动的浏览器代理;
driver = webdriver.Chrome(options=options)
# 窗口最大化
driver.maximize_window()
# wait是Selenium中的一个等待类,用于在特定条件满足之前等待一定的时间(这里是15秒)。
# 如果一直到等待时间都没满足则会捕获TimeoutException异常
wait = WebDriverWait(driver,10)
# 打开页面后会强制停止10秒,请在此时手动扫码登陆
主函数
1、输入初始参数:
- 爬取商品的关键词Keyword
- 爬取网页的起始页PageStart
- 爬取网页的终止页PageEnd
2、建立Excel表格,并设置第一行(表头);
3、调用爬虫主函数Crawer_main,启动爬虫程序;
4、输入存储文件名称filename,输出.xlsx格式文件
if __name__ == '__main__':
KEYWORD = input('输入搜索的商品关键词Keyword:') # 要搜索的商品的关键词
pageStart = int(input('输入爬取的起始页PageStart:')) # 爬取起始页
pageEnd = int(input('输入爬取的终止页PageEnd:')) # 爬取终止页
# 建立Excel表格
try:
ws = op.Workbook() # 创建Workbook
wb = ws.create_sheet(index=0) # 创建worsheet
# Excel第一行:表头
title_list = ['Page', 'Num', 'title', 'Price', 'Deal', 'Location', 'Shop', 'IsPostFree', 'Title_URL',
'Shop_URL', 'Img_URL']
for i in range(0, len(title_list)):
wb.cell(row=count, column=i + 1, value=title_list[i])
count += 1 # 从第二行开始写爬取数据
except Exception as exc:
print("Excel建立失败!")
# 开始爬取数据
Crawer_main(KEYWORD,pageStart,pageEnd)
# 保存Excel表格
Filename = input("输入存储文件名称:")
Filename = Filename + '(_From_Taobao).xlsx'
ws.save(filename = Filename)
print(Filename + "存储成功~")
(输入)效果预览:
爬虫主函数代码
1、ChromeDriver服务请求淘宝(https://www.taobao.com)服务,模拟浏览器运行,找到“输入框”输入关键词KEYWORD,并点击“搜索”按键;
2、若弹出登录窗口,使用手机“淘宝”APP,扫码登录(如图所示);
3、判断PageStart是否为1;若PageStart不为1,跳转至PageStart所在页;
4、调用get_goods获取起始页PageStart的商品列表信息;
5、调用page_turning进行翻页,并获取所在页商品列表信息;
# 爬虫main函数
def Crawer_main(KEYWORD,pageStart,pageEnd):
try:
# 爬取从pageStart到pageAll页的数据
search_goods(KEYWORD,pageStart,pageEnd)
except Exception as exc:
print('Crawer_main函数报错:', exc)
# 输入“关键词”,搜索,并进行首次爬取
def search_goods(KEYWORD,start_page,total_pages):
try:
print('正在搜索: ')
driver.get('https://www.taobao.com')
# time.sleep(10) # 强制停止10秒,请在此时手动扫码登陆
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",
{"source": """Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"""})
# 找到搜索“输入框”
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
# 找到“搜索”按钮
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
# 输入框写入“关键词KeyWord”
input.send_keys(KEYWORD)
# 点击“搜索”按键
submit.click()
# 搜索商品后会再强制停止5秒,如有滑块请手动操作
time.sleep(5)
# 如果不是从第一页开始爬取,就滑动到底部输入页面然后跳转
if start_page != 1:
# 滑动到页面底端
# driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
# 滑动到底部后停留3s
time.sleep(3)
# 找到输入“页面”的表单,输入“起始页”
pageInput = wait.until(EC.presence_of_element_located(
(By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/span[3]/input')))
pageInput.send_keys(start_page)
# 找到页面跳转的“确定”按钮,并且点击
admit = wait.until(EC.element_to_be_clickable(
(By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/button[3]')))
admit.click()
# 获取商品信息
get_goods(start_page)
# 翻页操作
for i in range(start_page + 1, total_pages+1):
page_turning(i)
except TimeoutException:
print("search_goods: error")
return search_goods(KEYWORD,start_page,total_pages)
淘宝登录界面示意图:
翻页函数代码
翻页函数page_turning搜索并点击“下一页”按键,判断页码是否相等;若页码相等获取该页商品列表信息。
# 翻页函数
def page_turning(page_number):
print('正在翻页: ', page_number)
try:
# 强制等待2秒后翻页
time.sleep(2)
# 找到“下一页”的按钮
submit = wait.until(EC.element_to_be_clickable((By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/button[2]')))
submit.click()
# 判断页数是否相等
wait.until(EC.text_to_be_present_in_element((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/span/em'), str(page_number)))
get_goods(page_number)
except TimeoutException:
print("page_number: error")
page_turning(page_number)
“下一页”按键示意图:
获取商品列表信息代码
1、强制等待10秒,用于刷新或滑动页面,使页面所有信息加载完成;
2、pyquery请求HTML页面信息,并进行解析;
3、商品详细信息(商品标题、价格、销量、商铺名称、地区、详情页链接、商铺链接等)
4、将获取的信息写入字典和Excel表格中;
# 获取每一页的商品信息;
def get_goods(page):
# 声明全局变量count
global count
# 获取商品前固定等待10秒,刷新/滑动界面,使所有信息都加载完成
time.sleep(10)
html = driver.page_source
doc = pq(html)
# 提取所有商品的共同父元素的类选择器
items = doc('div.PageContent--contentWrap--mep7AEm > div.LeftLay--leftWrap--xBQipVc > div.LeftLay--leftContent--AMmPNfB > div.Content--content--sgSCZ12 > div > div').items()
for item in items:
# 定位商品标题
title = item.find('.Title--title--jCOPvpf span').text()
# 定位价格
price_int = item.find('.Price--priceInt--ZlsSi_M').text()
price_float = item.find('.Price--priceFloat--h2RR0RK').text()
if price_int and price_float:
price = float(f"{price_int}{price_float}")
else:
price = 0.0
# 定位交易量
deal = item.find('.Price--realSales--FhTZc7U').text()
# 定位所在地信息
location = item.find('.Price--procity--_7Vt3mX').text()
# 定位店名
shop = item.find('.ShopInfo--TextAndPic--yH0AZfx a').text()
# 定位包邮的位置
postText = item.find('.SalesPoint--subIconWrapper--s6vanNY span').text()
postText = "包邮" if "包邮" in postText else "/"
# 定位商品url
t_url = item.find('.Card--doubleCardWrapper--L2XFE73')
t_url = t_url.attr('href')
# print(t_url)
# 定位店名url
shop_url = item.find('.ShopInfo--TextAndPic--yH0AZfx a')
shop_url = shop_url.attr('href')
# print(shop_url)
# 定位商品图片url
img = item.find('.MainPic--mainPicWrapper--iv9Yv90 img')
img_url = img.attr('src')
# print(img_url)
# 构建商品信息字典
product = {
'Page': page,
'Num': count-1,
'title': title,
'price': price,
'deal': deal,
'location': location,
'shop': shop,
'isPostFree': postText,
'url': t_url,
'shop_url': shop_url,
'img_url': img_url
}
print(product)
# 商品信息写入Excel表格中
wb.cell(row=count, column=1, value=page) # 页码
wb.cell(row=count, column=2, value=count-1) # 序号
wb.cell(row=count, column=3, value=title) # 标题
wb.cell(row=count, column=4, value=price) # 价格
wb.cell(row=count, column=5, value=deal) # 付款人数
wb.cell(row=count, column=6, value=location) # 地理位置
wb.cell(row=count, column=7, value=shop) # 店铺名称
wb.cell(row=count, column=8, value=postText) # 是否包邮
wb.cell(row=count, column=9, value=t_url) # 商品链接
wb.cell(row=count, column=10, value=shop_url) # 商铺链接
wb.cell(row=count, column=11, value=img_url) # 图片链接
count += 1
获取商品列表信息示意图:
完整代码
# 代码说明:
'''
代码功能: 基于ChromeDriver爬取taobao(淘宝)平台商品列表数据
输入参数: KEYWORLD --> 搜索商品“关键词”;
pageStart --> 爬取起始页;
pageEnd --> 爬取终止页;
输出文件:爬取商品列表数据
'Page' :页码
'Num' :序号
'title' :商品标题
'Price' :商品价格
'Deal' :商品销量
'Location' :地理位置
'Shop' :商品
'IsPostFree' :是否包邮
'Title_URL' :商品详细页链接
'Shop_URL' :商铺链接
'Img_URL' :图片链接
'''
# 声明第三方库/头文件
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
import time
import openpyxl as op #导入Excel读写库
# 全局变量
count = 1 # 写入Excel商品计数
# 启动ChromeDriver服务
options = webdriver.ChromeOptions()
# 关闭自动测试状态显示 // 会导致浏览器报:请停用开发者模式
options.add_experimental_option("excludeSwitches", ['enable-automation'])
# 把chrome设为selenium驱动的浏览器代理;
driver = webdriver.Chrome(options=options)
# 窗口最大化
driver.maximize_window()
# wait是Selenium中的一个等待类,用于在特定条件满足之前等待一定的时间(这里是15秒)。
# 如果一直到等待时间都没满足则会捕获TimeoutException异常
wait = WebDriverWait(driver,10)
# 打开页面后会强制停止10秒,请在此时手动扫码登陆
# 输入“关键词”,搜索,并进行首次爬取
def search_goods(KEYWORD,start_page,total_pages):
try:
print('正在搜索: ')
driver.get('https://www.taobao.com')
# time.sleep(10) # 强制停止10秒,请在此时手动扫码登陆
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",
{"source": """Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"""})
# 找到搜索“输入框”
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
# 找到“搜索”按钮
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
# 输入框写入“关键词KeyWord”
input.send_keys(KEYWORD)
# 点击“搜索”按键
submit.click()
# 搜索商品后会再强制停止5秒,如有滑块请手动操作
# time.sleep(5)
# 如果不是从第一页开始爬取,就滑动到底部输入页面然后跳转
if start_page != 1:
# 滑动到页面底端
# driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
# 滑动到底部后停留3s
time.sleep(3)
# 找到输入“页面”的表单,输入“起始页”
pageInput = wait.until(EC.presence_of_element_located(
(By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/span[3]/input')))
pageInput.send_keys(start_page)
# 找到页面跳转的“确定”按钮,并且点击
admit = wait.until(EC.element_to_be_clickable(
(By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/button[3]')))
admit.click()
# 获取商品信息
get_goods(start_page)
# 翻页操作
for i in range(start_page + 1, total_pages+1):
page_turning(i)
except TimeoutException:
print("search_goods: error")
return search_goods(KEYWORD,start_page,total_pages)
# 翻页函数
def page_turning(page_number):
print('正在翻页: ', page_number)
try:
# 强制等待2秒后翻页
time.sleep(2)
# 找到“下一页”的按钮
submit = wait.until(EC.element_to_be_clickable((By.XPATH, '//*[@id="pageContent"]/div[1]/div[3]/div[4]/div/div/button[2]')))
submit.click()
# 判断页数是否相等
wait.until(EC.text_to_be_present_in_element((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/span/em'), str(page_number)))
get_goods(page_number)
except TimeoutException:
print("page_number: error")
page_turning(page_number)
# 获取每一页的商品信息;
def get_goods(page):
# 声明全局变量count
global count
# 获取商品前固定等待10秒,刷新/滑动界面,使所有信息都加载完成
time.sleep(10)
html = driver.page_source
doc = pq(html)
# 提取所有商品的共同父元素的类选择器
items = doc('div.PageContent--contentWrap--mep7AEm > div.LeftLay--leftWrap--xBQipVc > div.LeftLay--leftContent--AMmPNfB > div.Content--content--sgSCZ12 > div > div').items()
for item in items:
# 定位商品标题
title = item.find('.Title--title--jCOPvpf span').text()
# 定位价格
price_int = item.find('.Price--priceInt--ZlsSi_M').text()
price_float = item.find('.Price--priceFloat--h2RR0RK').text()
if price_int and price_float:
price = float(f"{price_int}{price_float}")
else:
price = 0.0
# 定位交易量
deal = item.find('.Price--realSales--FhTZc7U').text()
# 定位所在地信息
location = item.find('.Price--procity--_7Vt3mX').text()
# 定位店名
shop = item.find('.ShopInfo--TextAndPic--yH0AZfx a').text()
# 定位包邮的位置
postText = item.find('.SalesPoint--subIconWrapper--s6vanNY span').text()
postText = "包邮" if "包邮" in postText else "/"
# 定位商品url
t_url = item.find('.Card--doubleCardWrapper--L2XFE73')
t_url = t_url.attr('href')
# print(t_url)
# 定位店名url
shop_url = item.find('.ShopInfo--TextAndPic--yH0AZfx a')
shop_url = shop_url.attr('href')
# print(shop_url)
# 定位商品图片url
img = item.find('.MainPic--mainPicWrapper--iv9Yv90 img')
img_url = img.attr('src')
# print(img_url)
# 构建商品信息字典
product = {
'Page': page,
'Num': count-1,
'title': title,
'price': price,
'deal': deal,
'location': location,
'shop': shop,
'isPostFree': postText,
'url': t_url,
'shop_url': shop_url,
'img_url': img_url
}
print(product)
# 商品信息写入Excel表格中
wb.cell(row=count, column=1, value=page) # 页码
wb.cell(row=count, column=2, value=count-1) # 序号
wb.cell(row=count, column=3, value=title) # 标题
wb.cell(row=count, column=4, value=price) # 价格
wb.cell(row=count, column=5, value=deal) # 付款人数
wb.cell(row=count, column=6, value=location) # 地理位置
wb.cell(row=count, column=7, value=shop) # 店铺名称
wb.cell(row=count, column=8, value=postText) # 是否包邮
wb.cell(row=count, column=9, value=t_url) # 商品链接
wb.cell(row=count, column=10, value=shop_url) # 商铺链接
wb.cell(row=count, column=11, value=img_url) # 图片链接
count += 1 # 下一行
# 爬虫main函数
def Crawer_main(KEYWORD,pageStart,pageEnd):
try:
# 爬取从pageStart到pageAll页的数据
search_goods(KEYWORD,pageStart,pageEnd)
except Exception as exc:
print('Crawer_main函数报错:', exc)
if __name__ == '__main__':
KEYWORD = input('输入搜索的商品关键词Keyword:') # 要搜索的商品的关键词
pageStart = int(input('输入爬取的起始页PageStart:')) # 爬取起始页
pageEnd = int(input('输入爬取的终止页PageEnd:')) # 爬取终止页
# 建立Excel表格
try:
ws = op.Workbook() # 创建Workbook
wb = ws.create_sheet(index=0) # 创建worsheet
# Excel第一行:表头
title_list = ['Page', 'Num', 'title', 'Price', 'Deal', 'Location', 'Shop', 'IsPostFree', 'Title_URL',
'Shop_URL', 'Img_URL']
for i in range(0, len(title_list)):
wb.cell(row=count, column=i + 1, value=title_list[i])
count += 1 # 从第二行开始写爬取数据
except Exception as exc:
print("Excel建立失败!")
# 开始爬取数据
Crawer_main(KEYWORD,pageStart,pageEnd)
# 保存Excel表格
Filename = input("输入存储文件名称:")
Filename = Filename + '(_From_Taobao).xlsx'
ws.save(filename = Filename)
print(Filename + "存储成功~")
【不足】不足之处,恳请批评指正,我们共同进步!