淘宝+Selenium+Chrome/PhantomJS

使用自动化工具Selenium，模拟浏览器动态抓取淘宝网页数据

1.页面分析
# 获取主页的搜索框
By.CSS_SELECTOR, '#q'

# 获取搜索按钮
#J_TSearchForm > div.search-button > button

# 获取总页码
#mainsrp-pager > div > div > div > div.total

# 获取页码输入框
#mainsrp-pager > div > div > div > div.form > input

# 获取确定按钮
#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit

# 获取高亮显示
#mainsrp-pager > div > div > div > ul > li.item.active > span

2. 解析提取网页数据
# 判断元素是否加载完成
#mainsrp-itemlist .items .item

# 使用pqquery进行数据提取
获取全部的： '#mainsrp-itemlist .items .item'
然后再循环取每个商品的信息：
图片image: '.pic .img'.attr('data-src')  #图片是动态加载的，直接获取src属性可能获取不到
价格price: '.price'
购买数deal: '.deal-cnt'
标题title: '.title'
店铺shop: '.shop'
地址location: '.location'

3.保存数据（这里保存到文件中）

 

具体代码：

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
import re
from pyquery import PyQuery as pq

# 全局变量
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
KEYWORD = '美食'

def search():
    """"""获取主页并抓取第一页数据""""""
    try:
        # 打开浏览器及淘宝首页
        browser.get('https://www.taobao.com/')
        # 获取搜索输入框及搜索按钮
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#q')))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
        # 输入搜索关键字并点击搜索按钮
        input.send_keys(KEYWORD)
        submit.click()
        # 获取总页码数，并返回结果
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))
        parse_page()
        return  total.text
    except TimeoutError:
        return search()

def next_page(page):
    try:
        # 获取页码输入框及确定按钮
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))
        # 清楚输入框，重新赋值，并点击确定按钮进行翻页
        input.clear()
        input.send_keys(page)
        submit.click()
        # 获得高亮页码，判断是否为当前页
        wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page)))
        parse_page()
    except TimeoutError:
        return next_page(page)

def parse_page():
    """页面数据处理"""
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
    # 获取网页源码
    html = browser.page_source
    # print(html)
    # 使用pyquery库来解析提取数据
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        message = {
            'image': "http:" + item.find('.pic .img').attr('data-src'),
            'price': item.find('.price').text(),
            'deal': item.find('.deal-cnt').text()[:-3],
            'title': item.find('.title').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()
        }
        # print(message)
        # 将提取的数据写入文档
        with open(KEYWORD + ".txt", "a") as f:
            f.write(str(message) + "\n")

def main():
    total = search()  # 共100页
    # 使用正则匹配提取数字100，并转为整型
    total = int(re.compile('(\d+)').search(total).group(1))
    # print(total)   # for test
    for page in range(2, total + 1):
        next_page(page)

if  __name__ == "__main__":
    main()