Python爬虫学习教程：天猫商品数据爬虫

天猫商品数据爬虫使用教程

• 下载chrome浏览器
• 查看chrome浏览器的版本号，下载对应版本号的chromedriver驱动
• pip安装下列包
• pip install selenium
• pip install pyquery
• 登录微博，并通过微博绑定淘宝账号密码
• 在main中填写chromedriver的绝对路径
• 在main中填写微博账号密码

 #改成你的chromedriver的完整路径地址
     chromedriver_path = "/Users/bird/Desktop/chromedriver.exe"
     #改成你的微博账号
     weibo_username = "改成你的微博账号"
     #改成你的微博密码
     weibo_password = "改成你的微博密码"

效果演示图片

项目源码

 # -*- coding: utf-8 -*-

 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.webdriver import ActionChains
 from pyquery import PyQuery as pq
 from time import sleep

 #定义一个taobao类
 class taobao_infos:

     #对象初始化
     def __init__(self):
         url = 'https://login.taobao.com/member/login.jhtml'
         self.url = url

         options = webdriver.ChromeOptions()
         options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) # 不加载图片,加快访问速度
         options.add_experimental_option('excludeSwitches', ['enable-automation']) # 此步骤很重要，设置为开发者模式，防止被各大网站识别出来使用了Selenium

         self.browser = webdriver.Chrome(executable_path=chromedriver_path, options=options)
         self.wait = WebDriverWait(self.browser, 10) #超时时长为10s

     #延时操作,并可选择是否弹出窗口提示
     def sleep_and_alert(self,sec,message,is_alert):

         for second in range(sec):
             if(is_alert):
                 alert = "alert(\"" + message + ":" + str(sec - second) + "秒\")"
                 self.browser.execute_script(alert)
                 al = self.browser.switch_to.alert
                 sleep(1)
                 al.accept()
             else:
                 sleep(1)

     #登录淘宝
     def login(self):

         # 打开网页
         self.browser.get(self.url)

         # 自适应等待，点击密码登录选项
         self.browser.implicitly_wait(30) #智能等待，直到网页加载完毕，最长等待时间为30s
         self.browser.find_element_by_xpath('//*[@class="forget-pwd J_Quick2Static"]').click()

         # 自适应等待，点击微博登录宣传
         self.browser.implicitly_wait(30)
         self.browser.find_element_by_xpath('//*[@class="weibo-login"]').click()

         # 自适应等待，输入微博账号
         self.browser.implicitly_wait(30)
         self.browser.find_element_by_name('username').send_keys(weibo_username)

         # 自适应等待，输入微博密码
         self.browser.implicitly_wait(30)
         self.browser.find_element_by_name('password').send_keys(weibo_password)

         # 自适应等待，点击确认登录按钮
         self.browser.implicitly_wait(30)
         self.browser.find_element_by_xpath('//*[@class="btn_tip"]/a/span').click()

         # 直到获取到淘宝会员昵称才能确定是登录成功
         taobao_name = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.site-nav-bd > ul.site-nav-bd-l > li#J_SiteNavLogin > div.site-nav-menu-hd > div.site-nav-user > a.site-nav-login-info-nick ')))
         # 输出淘宝昵称
         print(taobao_name.text)

     # 获取天猫商品总共的页数
     def search_toal_page(self):

         # 等待本页面全部天猫商品数据加载完毕
         good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))

         #获取天猫商品总共页数
         number_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form')))
         page_total = number_total.text.replace("共","").replace("页，到第页 确定","").replace("，","")

         return page_total

     # 翻页操作
     def next_page(self, page_number):
         # 等待该页面input输入框加载完毕
         input = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo')))

         # 等待该页面的确定按钮加载完毕
         submit = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > button.ui-btn-s')))

         # 清除里面的数字
         input.clear()

         # 重新输入数字
         input.send_keys(page_number)

         # 强制延迟1秒，防止被识别成机器人
         sleep(1)

         # 点击确定按钮
         submit.click()

     # 模拟向下滑动浏览
     def swipe_down(self,second):
         for i in range(int(second/0.1)):
             js = "var q=document.documentElement.scrollTop=" + str(300+200*i)
             self.browser.execute_script(js)
             sleep(0.1)
         js = "var q=document.documentElement.scrollTop=100000"
         self.browser.execute_script(js)
         sleep(0.2)

     # 爬取天猫商品数据
     def crawl_good_data(self):

         # 对天猫商品数据进行爬虫
         self.browser.get("https://list.tmall.com/search_product.htm?q=羽毛球")
         err1 = self.browser.find_element_by_xpath("//*[@id='content']/div/div[2]").text
         err1 = err1[:5]
         if(err1 == "喵~没找到"):
             print("找不到您要的")
             return
         try:
             self.browser.find_element_by_xpath("//*[@id='J_ComboRec']/div[1]")
             err2 = self.browser.find_element_by_xpath("//*[@id='J_ComboRec']/div[1]").text
             #print(err2)

             err2 = err2[:5]

             if(err2 == "我们还为您"):
                 print("您要查询的商品书目太少了")
                 return
         except:
             print("可以爬取这些信息")
         # 获取天猫商品总共的页数
         page_total = self.search_toal_page()
         print("总共页数" + page_total)

         # 遍历所有页数
         for page in range(2,int(page_total)):

             # 等待该页面全部商品数据加载完毕
             good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))

             # 等待该页面input输入框加载完毕
             input = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo')))

             # 获取当前页
             now_page = input.get_attribute('value')
             print("当前页数" + now_page + ",总共页数" + page_total)

             # 获取本页面源代码
             html = self.browser.page_source

             # pq模块解析网页源代码
             doc = pq(html)

             # 存储天猫商品数据
             good_items = doc('#J_ItemList .product').items()

             # 遍历该页的所有商品
             for item in good_items:
                 good_title = item.find('.productTitle').text().replace('\n',"").replace('\r',"")
                 good_status = item.find('.productStatus').text().replace(" ","").replace("笔","").replace('\n',"").replace('\r',"")
                 good_price = item.find('.productPrice').text().replace("¥", "").replace(" ", "").replace('\n', "").replace('\r', "")
                 good_url = item.find('.productImg').attr('href')
                 print(good_title + "   " + good_status + "   " + good_price + "   " + good_url + '\n')

             # 精髓之处，大部分人被检测为机器人就是因为进一步模拟人工操作
             # 模拟人工向下浏览商品，即进行模拟下滑操作，防止被识别出是机器人
             self.swipe_down(2)

             # 翻页，下一页
             self.next_page(page)

             # 等待滑动验证码出现,超时时间为5秒，每0.5秒检查一次
             # 大部分情况不会出现滑动验证码，所以如果有需要可以注释掉下面的代码
             # sleep(5)
             WebDriverWait(self.browser, 5, 0.5).until(EC.presence_of_element_located((By.ID, "nc_1_n1z"))) #等待滑动拖动控件出现
             try:
                 swipe_button = self.browser.find_element_by_id('nc_1_n1z') #获取滑动拖动控件

                 #模拟拽托
                 action = ActionChains(self.browser) # 实例化一个action对象
                 action.click_and_hold(swipe_button).perform() # perform()用来执行ActionChains中存储的行为
                 action.reset_actions()
                 action.move_by_offset(580, 0).perform() # 移动滑块

             except Exception as e:
                 print ('get button failed: ', e)

 if __name__ == "__main__":

     # 使用之前请先查看当前目录下的使用说明文件README.MD
     # 使用之前请先查看当前目录下的使用说明文件README.MD
     # 使用之前请先查看当前目录下的使用说明文件README.MD

     chromedriver_path = "/Users/bird/Desktop/chromedriver.exe" #改成你的chromedriver的完整路径地址
     weibo_username = "改成你的微博账号" #改成你的微博账号
     weibo_password = "改成你的微博密码" #改成你的微博密码

     a = taobao_infos()
     a.login() #登录
     a.crawl_good_data() #爬取天猫商品数据

平台网站经常变动，可以做参考

很多初学者，对Python的概念都是模糊不清的，Python能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解，详情可以点击有道云笔记链接了解：http://note.youdao.com/noteshare?id=7df52a4961924a8d98d3bc774cbfe54d