通过 Python 使用 Selenium 爬取淘宝商品

无注释版

复制
import pymongo
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from pyquery import PyQuery as pq
from urllib.parse import quote
 
# browser = webdriver.Chrome()
# browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
 
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
 
 
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'
 
KEYWORD = 'ipad'
 
MAX_PAGE = 100
 
SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
 
 
wait = WebDriverWait(browser, 10)
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
 
 
def index_page(page):
    """
    抓取索引页
    :param page: 页码
    """
    print('正在爬取第', page, '页')
    try:
        url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)
        browser.get(url)
        if page > 1:
            input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))
            submit = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')))
            input.clear()
            input.send_keys(page)
            submit.click()
        wait.until(
            EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
        get_products()
    except TimeoutException:
        index_page(page)
 
 
def get_products():
    """
    提取商品数据
    """
    html = browser.page_source
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        product = {
            'image': item.find('.pic .img').attr('data-src'),
            'price': item.find('.price').text(),
            'deal': item.find('.deal-cnt').text(),
            'title': item.find('.title').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()
        }
        print(product)
        save_to_mongo(product)
 
 
def save_to_mongo(result):
    """
    保存至MongoDB
    :param result: 结果
    """
    try:
        if db[MONGO_COLLECTION].insert(result):
            print('存储到MongoDB成功')
    except Exception:
        print('存储到MongoDB失败')
 
 
def main():
    """
    遍历每一页
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)
    browser.close()
 
 
if __name__ == '__main__':
    main()

有注释版

复制
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote
from pyquery import PyQuery
from pymongo import MongoClient
 
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
KEYWORD = 'iPad'
 
 
def index_page(page):
    """
    抓取索引页
    :param page: 页码
    """
    print('正在爬取第', page, '页')
    try:
        url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)
        browser.get(url)
        if page > 1:
            input = wait.until(
                EC.presence_of_element_located(
                    (By.CSS_SELECTOR, '#mainsrp-page div.form > input')
                )
            )
            # 利用 CSS 选择器，选择 id=mainsrp-page 的节点的所有元素，再从中选择父节点为 div 的 input 元素
            # 其中 div 的属性 class=form。此时选择的是输入框
            submit = wait.until(
                EC.element_to_be_clickable(
                    (By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')
                )
            )
            # 利用CSS选择器，选择 id=mainsrp-pager 的节点的所有元素，再从中选择父节点为 div 的 span 元素
            # 其中 div 的属性 class=form，span 的属性 class=btn J_Submit。此时选择的是"确定"按钮
            input.clear()                   # 清除输入框中的内容
            input.send_keys(page)           # 在输入框中输入页码 page
            submit.click()                  # 点击确定按钮
        wait.until(
            EC.text_to_be_present_in_element(
                (By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)
            )
        )
        # 利用CSS选择器，选择 id=mainsrp-pager 的节点的所有元素，在从中选出 span 节点，
        # 其中span节点的父节点为li节点，li节点的属性class=item active
        wait.until(
            EC.presence_of_element_located(
                (By.CSS_SELECTOR, '.m-itemlist .items .item')
            )
        )
        # 利用 CSS 选择器，选择 class=m-iremlist 的节点，从该节点中选择 class-items 的节点，再从中选择 class=item 的节点的所有元素
        # 这里对应的是这一页中的每个淘宝商品
        get_products()
    except TimeoutException:
        index_page(page)
 
 
def get_products():
    """
    提取商品数据
    """
    html = browser.page_source                          # 获取源代码
    doc = PyQuery(html)                                 # 解析html
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        # 这个 item 中
        product = {
            'image': item.find('.pic .J_ItemPic.img').attr('data-src'),
            # 找到 class=pic 的节点，再从中选择 class=J_ItemPic img 的节点，最后通过 attr() 方法获取 data-src 属性
            'price': item.find('.price.g_price.g_price-highlight').text(),
            # 找到属性 class=price g_price g_price-highlight 的节点，获取其文本（价格）
            'deal': item.find('.deal-cnt').text(),
            # 找到 class=deal-cnt 的节点，获取其文本（付款人数）
            'title': item.find('row.row-2.title').text(),
            # 找到属性值 class=row row-2 title 的节点，获取其文本（商品价格）
            'shop': item.find('.shop').text(),
            # 获取 class=shop 的节点的文本（店铺）
            'location': item.find('.location').text()
            # 获取 class=location 的节点的文本（店铺地址）
        }
        print(product)
        save_to_mongo(product)
 
 
MONGO_URL = 'localhost'
MONGO_DB = 'TaoBao'
MONGO_COLLECTION = 'products'
client = MongoClient(MONGO_URL)
db = client[MONGO_DB]
 
 
def save_to_mongo(result):
    """
    将爬取结果保存到MongoDB
    :param result: 结果
    :return:
    """
    try:
        if db[MONGO_COLLECTION].insert(result):
            print('存储到 MongoDB 成功')
    except Exception:
        print('存储到 MongoDB 失败')
 
 
MAX_PAGE = 100
 
 
def main():
    """
    遍历每一页
    :return:
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)
    browser.close()
 
 
if __name__ == '__main__':
    main()