潘景

使用Selenium模拟浏览器抓取淘宝商品美食信息
目标通过Selenium模拟浏览器抓取淘宝商品美食信息,并存储到MongoDB数据库中。流程框架淘宝页面比较复杂,...
扫描右侧二维码阅读全文
15
2018/11

使用Selenium模拟浏览器抓取淘宝商品美食信息

目标

通过Selenium模拟浏览器抓取淘宝商品美食信息,并存储到MongoDB数据库中。

流程框架

淘宝页面比较复杂,含有各种请求参数和加密参数,如果直接请求或者分析Ajax将会非常繁琐。Selenium是一个自动化测试工具,可以驱动浏览器去完成各种工作,比如模拟点击、输入和下拉等多种功能,这样我们只需关心操作,不需要关心后台发生了怎么样的请求下面对具体操作步骤进行详述。
下图展示了具体的流程框架:

(1)搜索关键字

首先,测试一下我们的webdriver是否可以使用:

from selenium import webdriver

browser = webdriver.Chrome()

def search():
    browser.get('https://www.taobao.com/')zidong

def main():
    search()

if __name__ == '__main__':    
    main()

运行以上代码,如果出现下图所示,则表示webdriver安装成功:

接下来让我们利用Selenium搜索淘宝美食关键字,在搜索之前,我们应该注意到一件事情,诸如淘宝之类数据量比较大的网站,一般网站加载较慢,这就带来了一个问题,如果我们使用Selenium操作页面元素,就必须等到元素加载完毕。如果不熟悉Selenium的相关方法,可以到https://www.seleniumhq.org/docs/进行查看,如果你的网速不太理想,可以到https://selenium- python-zh.readthedocs.io/en/latest/进行参考。

完成了以上的工作之后,就可以使用Selenium搜索淘宝美食关键字了,让我们打开淘宝网的首页https://www.taobao.com/,调出控制台来查看页面元素,接下来我们将使用Selenium内置的CSS选择器选择页面元素。
下图展示了如何利用Chrome浏览器获取元素的选择器:

在此,我们思考一下一共需要获取哪几个元素,让我们回想一下手工搜索美食的过程,首先在搜索框输入“美食”关键字,然后点击按钮搜索:

代码实现如下:

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

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)

def search():
    try:
        browser.get('https://www.taobao.com/')

        # 等待搜索框加载出来
        # 像'presence_of_element_located'之类的动作,可以到Selenium官方文档查询
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        # 等待搜索按钮可以被点击
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))
        )
        input.send_keys('美食')
        submit.click()
    except TimeoutException:
        # 如果出现超时异常,重新执行search()函数
        return search()

def main():
    search()

if __name__ == "__main__":
    main()

运行代码,如果出现以下情况,说明运行成功:

至此,我们完成了第一步,搜索关键字。

(2)分析页码并翻页

在上面我们搜索美食关键字的第一页,我们可以看到关于美食的页面一共有100页,现在,我们需要想办法获取这个页面:

与上面获取元素的方法相同,我们使用CSS选择器获取页面元素并返回:

total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total"))
        )

然后利用正则表达式提取出有用的元素:

total = int(re.compile('(\d+)').search(total).group(1))

提取到总页数之后,我们需要定义一个翻页函数,循环遍历1-100页:

def next_page(page_number):
    try:
        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'))
        )
        # 清空文本框的值
        input.clear()
        # 给文本框赋值 
        input.send_keys(page_number)
        # 点击确定,进行翻页
        submit.click()
        # 判断一下当前页码与文本框中的页码是否一致
        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)

接下来让我们测试一下以上代码:

def main():
    total = search()
    total = int(re.compile('(\d+)').search(total).group(1))
    for i in range(2, total+1):
        next_page(i)
    browser.close()

if __name__ == '__main__':
    main()

运行代码,可以发现浏览器打开淘宝并从第1页翻到100页后自动关闭。

(3)分析提取商品内容

利用PyQuery分析源码,解析得到商品列表:

def get_products():
    # 确保商品信息完全加载完毕
    wait.until(
        EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item'))
    )
    # 获取网页源码
    html = browser.page_source
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        product = {
            # 获取img的src属性
            'image': item.find('.pic .img').attr('src'),
            # 获取价格
            'price': item.find('.price').text(),
            # 获取付款人数
            'deal': item.find('.deal-cnt').text()[:-3],
            # 获取标题
            'title': item.find('.title').text(),
            # 获取商家
            'shop': item.find('.shop').text(),
            # 获取所在地
            'location': item.find('.location').text()
        }
        print(product)

得到商品列表之后,在search()方法(第1页),next_page()方法(第2-100页)中分别调用get_products()方法。

可以看到控制台输出打印以下结果:

(4)存储到MongoDB

让我们新建一个config.py文件,文件中包含了MongoDB的URL,数据库名称,表名称:

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'

spider.py中配置存储到MongoDB相关方法:

from config import *
import pymongo

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

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

然后在get_products()方法中调用save_to_mongo(result)将数据存储到MongoDB中。

运行代码,接下来在MongoDB中进行查看:

项目完整代码已托管到github:https://github.com/panjings/python-spider

Last modification:March 8th, 2019 at 03:45 pm
If you think my article is useful to you, please feel free to appreciate

Leave a Comment