使用selenium模拟浏览器抓取淘宝美食信息

大概思路：

1. 首先，访问淘宝主页面，在搜索框输入关键字，输入回车或点击搜索按钮，跳转到具体的关键词页面。

2. 对于关键词页面的解析。由于后台数据传到前台采取的是ajax技术，所以要么对ajax请求和返回json文件进行解析

    要么就是控制浏览器，等到ajax请求加载到前台后，再从前台页面中取得数据。这就是用selenium模拟浏览器爬取数据

    的主要方式。

3. 要能够得到总共要爬取的页面数，然后对页面数进行循环。

4. 由于前台是ajax方式，控制分页的控件，实现浏览器的加载而不是通过构建url来requests.get方法访问

5.得到具体的每个页面，html = browser.page_source 

6.通过pyquery来对页面进行解析。构建字典类型，配置MongoDB，将字典直接存储到MongoDB中。

遇到的问题：

在得到页面后，要控制页面，比如输入文本框，点击按钮等都可以，查看网页源代码，用css选择器，右键点击copy selection

得到具体的css选择器。

由于要等待浏览器加载出我们的内容，所以用到了显式等待。这里要特别留意显示等待的expect condition 即 EC

常用的 EC 有

EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.form > input'))

或者

EC.text_to_be_present_in_element((By.CSS_SELECTOR,'#mainsrp-pager > div'),str(page_number))

这个是当前分页下的active分页框中出现了文本值 当前页的页码。

还有，在用css选择器对页面中的元素进行选择时，如果在爬取过程中出现了有时出错有时不出错的情况

大部分是由于css选择器没写好。

本文是放弃了对分页按钮控件的选择，直接通过在文本框中输入回车来实现跳转。

#-*-coding:utf-8-*-
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 selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.keys import Keys
from pyquery import PyQuery as pq
import re
from config import *
import pymongo

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]



browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
def search(keyword):
    try:
        browser.get('https://www.taobao.com/')
        #这里需要判断是否得到成功的信息
        input_element = WebDriverWait(browser, 10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        submit_element = WebDriverWait(browser, 10).until(
            EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search.tb-bg'))
        )
        input_element.send_keys(keyword)
        submit_element.click()
        total = WebDriverWait(browser, 10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total"))
        )
        get_products()
        return total.text
    except TimeoutException:
        return search()

def next_page(page_number):
    try:
        input_element = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.form > input'))
        )
        input_element.clear()
        input_element.send_keys(page_number)
        input_element.send_keys(Keys.ENTER)
        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)

def get_products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item')))
    html = browser.page_source
    doc = pq(html)
    all_items = doc('#mainsrp-itemlist .items .item').items()
    for one in all_items:
        product = {
            'image':one.find('.pic .J_ItemPic.img').attr('src'),
            'price':one.find('.price.g_price.g_price-highlight').text(),
            'deal':one.find('.deal-cnt').text()[:-3],
            'title':one.find('.title').text(),
            'shop':one.find('.shop').text(),
            'location':one.find('.location').text()
        }
        save_to_mongo(product)

def save_to_mongo(result):
    try:
        if db[MONGO_TABLE].insert(result):
            print('存储到MONGODB成功',result)
    except Exception:
        print('存储失败',result)




def main():
    try:
        total = search('背包')
        pagenum = int(re.compile('(\d+)').search(total).group(1))
        for i in range(2,pagenum+1):
            next_page(i)
    except Exception:
        print('出错了')
    finally:
        browser.close()


if __name__ == '__main__':
    main()

mongoDB配置文件

#-*-coding:utf-8-*-
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'

启动MongoDB服务器;

运行结果：