预备知识:
- Selenium:web的自动化测试工具,直接运行在浏览器中,模拟用户操作。
- PhantomJS:基于 WebKit 的服务器端 JavaScript API。它全面支持web而不需浏览器支持。提供了诸如CSS选择器、支持Web标准、DOM操作、JSON、html5等,同时也提供了处理文件I/O的操作,可以向操作系统读写文件。
- PyQuery:使用 jQuery 的风格来遍历 XML 文档,它使用了 lxml 来处理 XML , HTML 文档。
流程框架
1:搜索关键词:
利用Selenium驱动浏览器搜索关键词,得到查询后的商品列表
2:分析页码并翻页
得到商品页码数,模拟翻页,得到后续页面的商品列表
3:分析提取商品内容
利用PyQuery分析源码,解析得到商品列表
3:存储至MongoDB
将商品列表信息存储到数据库MongoDB