爬虫实战4：用selenium爬取淘宝美食

方案1：一次性爬取全部淘宝美食信息

1. spider.py文件如下

 __author__ = 'Administrator'
 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
 from config import *
 import pymongo
 
 client = pymongo.MongoClient(MONGO_URL)
 db = client[MONGO_DB]
 
 browser = webdriver.Chrome()
 """
 如果把Chrome修改为使用PhantomJS
 1. 首先需要安装phantomJS
 2. 自定义一些配置参数，这里不加载图片以及使用缓存
 browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
 3. 设置窗口大小
 browser.set_window_size(1400,900)
 """
 
 wait = WebDriverWait(browser, 10)  #显示等待10秒再查找目标元素
 
 def search():
     # print('正在搜索')  用于phantomJS调试
     try:
         browser.get('https://www.taobao.com')
         input1 = wait.until(
             EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))  #定位搜索框
         )
         submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))  #定位搜索按钮
         # 这里的美食可以替换为配置文件中的变量KEYWORD
         input1.send_keys('KEYWORD')
         submit.click()
         total = wait.until(
             EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total'))) #定位总页数，使用右键copy selector的方法找出参数名
         # 调用get_products
         get_products()
         return total.text
 
     except TimeoutError:
         return search()
 
 # 使用翻页输入框来翻页
 def next_page(page_number):
     # print('正在翻页',page_number) 用于phantomJS调试
     try:
         input1 = 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'))
         )
         input1.clear()
         input1.send_keys(page_number)
         submit.click()
         # 根据选择页面会高亮这个条件，来判断是否成功跳转
         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)))
         # 调用get_products()
         get_products()
 
     except TimeoutError:
         next_page(page_number)
 
 # 解析信息
 def get_products():
     wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
     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('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(product)
         # 保存数据到mongodb
         save_to_mongo(product)
 
 # 定义一个保存到mongodb的方法
 def save_to_mongo(result):
     try:
         if db[MON_TABLE].insert(result):
             print('存储到MONGODB成功', result)
     except Exception:
         print('存储到MONGODB失败', result)
 
 def main():
     try:
         # 输出100数字
         total = search()
         total = int(re.compile('(\d+)').search(total).group(1))
         # 调用翻页函数
         for i in range(2, total + 1):
             next_page(i)
     except Exception:
         print('出错了')
 
     finally:
         browser.close()
 
 if __name__ == '__main__':
     main()

2. config.py

 __author__ = 'Administrator'
 MONGO_URL = 'localhost'
 MONGO_DB = 'taobao'
 MON_TABLE = 'product'
 
 # 配置phantomJS
 SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
 KEYWORD = '美食'

方案2：上面这种方法经测试可正常运行，但是会一次性爬取全部数据，数据量较大且不能灵活控制抓取内容，下面代码基本实现方法如下

1. 把搜索的关键字直接放在url中

2. 分页抓取商品信息

3. 使用chrome的headless功能

 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 config import *
 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)
 
 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:
             #定位页码输入框
             input = wait.until(
                 EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))
             ##定位页码跳转确定按钮
             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()
 
         """
         验证是否跳转到对应的页码
         只需要判断当前高亮的页码数是当前的页码数即可，可使用等待条件text_to_be_present_in_element,它会等待指定的文本出现在某一节点里面时即返回成功
         我们将高亮的页面节点对应的css选择器和当前要跳转的页面作为这个等待条件的参数，那么这个等待条件就会检测此页码节点是否为指定的页码数
         """
         wait.until(
             EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))
 
         #等待商品信息加载，选择器'.m-itemlist .items .item'对应的页面内容就是每个商品的信息，如果加载成功，执行get_products()
         wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
         get_products()
     except TimeoutException:
         index_page(page)
 
 #解析商品列表
 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(), #成交量
             '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()

对应的配置文件如下

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'
 
KEYWORD = 'ipad'
 
MAX_PAGE = 100
 
SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']