PYTHON 爬虫笔记十:利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB(实战项目三)

利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB

  •  目标站点分析

  1. 淘宝页面信息很复杂的,含有各种请求参数和加密参数,如果直接请求或者分析Ajax请求的话会很繁琐。所以我们可以用Selenium来驱动浏览器模拟点击来爬取淘宝的信息。这样我们只要关系操作,不用关心后台发生了怎样的请求。这样有个好处是:可以直接获取网页渲染后的源代码。输出 page_source 属性即可。

  2. 这样,我们就可以做到网页的动态爬取了。缺点是速度相比之下比较慢。

  •  流程框架

  • 爬虫实战

  1. spider详情页

    import pymongo
    import re
    
    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 pyquery import PyQuery as pq
    from config import *
    import pymongo
    
    client = pymongo.MongoClient(MONGO_URL)
    db = client[MONGO_DB]
    
    
    
    #browser = webdriver.Chrome()
    browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)    #创建PhantomJS浏览器
    wait = WebDriverWait(browser, 10)
    
    browser.set_window_size(1400,900)
    def search():       #请求页面
        print('正在搜索。。。')
        try:
            browser.get('https://world.taobao.com/')   #请求淘宝首页
            input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, '#mq'))
            )
            submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_PopSearch > div.sb-search > div > form > input[type="submit"]:nth-child(2)')))
            input.send_keys(KEYWORD)
            submit.click()
            total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
            get_products()
            return total.text
        except TimeoutError:
            total = search()
            print(total)
    
    def next_page(page_number): #翻页操作
        print('正在翻页。。。',page_number)
        try:
            input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))#判断页面是否加载出输入框
            )
            submit = wait.until(EC.element_to_be_clickable(
                (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))  #判断是否加载出搜索按钮
            input.clear()
            input.send_keys(page_number)
            submit.click()
            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)))
                        #在做结果判断的时候,经常想判断某个元素中是否存在指定的文本,
            get_products()
        except TimeoutError:
            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      #获取详情页html代码
        doc = pq(html)      #创建一个Pyquery对象
        items = doc('#mainsrp-itemlist .items .item').items()  #css选择器获取所以items ,调用items方法取得所取的内容
        for item in items:
            producet = {
                'title': item.find('.title').text(),
                'location': item.find('.location').text(),
                'price':item.find('.price').text(),
                'deal':item.find('.deal-cnt').text()[:-3],
                'shop':item.find('.shop').text(),
                'image': item.find('.pic .img').attr('src'),
            }
    
            print(producet)
            save_to_monge(producet)
    
    def save_to_monge(result):
        try:
            if db[MONGO_TABLE].insert(result):
                print('存储成功!',result)
        except Exception:
            print('存储失败!',result)
    def main():
        try:
            total = search()
            total = int(re.compile('(\d+)').search(total).group(1))
            for i in range(2,total+1):
                next_page(i)
        except Exception:
            print('出错啦')
        browser.close()
    
    if __name__ == '__main__':
        main()
  2. config配置页

    MONGO_URL='localhost'
    MONGO_DB='taobao'
    MONGO_TABLE='taobao'
    
    SERVICE_ARGS = ['--load-images=false','--disk-cache=false']
    
    KEYWORD ='美食'

     

posted @ 2018-08-14 00:19  达尔文在思考  阅读(550)  评论(0编辑  收藏  举报