使用scrapy+selenium爬取淘宝网

--***2019-3-27测试有效***----

第一步：

　　打开cmd，输入scrapy startproject taobao_s新建一个项目。

　　

　　接着cd 进入我们的项目文件夹内输入scrapy genspider taobao www.taobao.com新建一个爬虫

文件内是这样的，tools是我建的一个工具模块，里面有一个处理数据的函数和selenium登录的函数。

class TaobaoSpider(scrapy.Spider):
    name = 'taobao'
    # allowed_domains = ['www.taobao.com']
    base_url = ['https://s.taobao.com/search?q=']
    pages = 100
    re_headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
        'referer': 'https://www.taobao.com/',
        'accept-encoding': 'gzip, deflate, b',
    }
    i = 1

    def start_requests(self):
        keys = self.settings.get('KEYS')#获取要搜索的关键词
        self.browser,list = register()#这里调用selenium登录的方法并返回browser和一个cookies
        self.browser.get(self.base_url[0]+keys)#使用browser登录淘宝商品搜索页面
        self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")#使用execute_script执行js操作，这里是下拉到最底下
        url_i = self.browser.current_url#获取selenium界面当前的url用来错误处理
        html = self.browser.page_source#获取源代码
        yield scrapy.Request(url=self.base_url[0]+keys,headers=self.re_headers,cookies=list,callback=self.parse,meta={'html':html,'i':self.i,'url':url_i})

    def parse(self, response):
        time.sleep(5)#等待时间，可调
        html = response.meta.get('html')
        i = response.meta.get("i")
        url_i = response.meta.get("url")
        i +=1
        if i > 100:#因为翻一百页，到了之后就不在执行循环
            return
        try:
            soup = BeautifulSoup(html,'html.parser')
            lists = soup.select('#mainsrp-itemlist > div > div > div > div')
            for list in lists:#这一段是解析数据
                item = TaobaoSItem()
                url = list.select('a[class="pic-link J_ClickStat J_ItemPicA"]')[0].attrs.get('href','')
                name = list.select("a[class='J_ClickStat']")[0].get_text().strip()
                name = data_cleaning(name)
                price = list.select('div[class="price g_price g_price-highlight"] strong')[0].get_text()
                num = list.select('div[class="deal-cnt"]')[0].get_text()
                shop_name = list.select("a[class='shopname J_MouseEneterLeave J_ShopInfo']")[0].get_text().strip()
                shop_name = data_cleaning(shop_name)
                item['url'] = url
                item['name'] = name
                item['price'] = price
                item['num'] = num
                item['shop_name'] = shop_name
                yield item
            button = self.browser.find_elements(By.XPATH,'//a[@class="J_Ajax num icon-tag"]')[-1]#这里是获取点击下一页的，因为到第二页以后会有二个一样class的，一个是上一页，一个是下一页。
            button.click()#点击进入下一页
            time.sleep(random.random()*2)
            self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")#下拉操作
            html = self.browser.page_source
            yield scrapy.Request(url=response.url,headers=self.re_headers,callback=self.parse,meta={'html':html,'i':i,'url':url_i},dont_filter=True)
        except Exception as e:#如果被淘宝抓到就重新登录，用保存的url在接着获取数据
            time.sleep(10)
            print(e)
            self.browser.close()
            self.browser,list = register()
            self.browser.get(url=url_i)
            time.sleep(random.random()*2)
            self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")
            html = self.browser.page_source
            yield scrapy.Request(url=response.url,headers=self.re_headers,callback=self.parse,meta={'html':html,'i':i,'url':url_i},dont_filter=True)

    def close(spider, reason):#这是结束时执行的函数，用来关掉开启的浏览器进程
        spider.browser.close()

这是tools

def data_cleaning(data):#这是清洗数据的
    if ' ' in data:
        data = re.sub(' ', '', data)
    if "'" in data:
        data = re.sub("'", '', data)
    if r'\n' in data:
        data = re.sub(r'\\n', '', data)
    return data

def register():#这是登录的函数，主要
    while True: #因为淘宝能够识别出selenium，有时我们会登录失败，会重新登录
        browser = webdriver.FirefoxOptions()
        browser.add_argument('-headless') #无头浏览器
        browser = webdriver.Firefox(firefox_options=browser)
        # browser = webdriver.Firefox()
        browser.get('https://login.taobao.com/member/login.jhtml')#进入登录页面try:
            input = WebDriverWait(browser, 10).until(
                EC.presence_of_element_located((By.CLASS_NAME, 'forget-pwd.J_Quick2Static'))) #因为登录页面有时候是扫码登录，使用需要我们点击切换到密码登录
            input.click()
        except Exception as e: #因为页面有时是直接密码登录，使用如果直接是密码登录就不需要点击
            print(e)
        user = browser.find_element(By.ID, 'TPL_username_1')#找到账号输入框
        password = browser.find_element(By.ID, 'TPL_password_1')#密码输入框
        user.send_keys(USER) #输入账号并等待一下
        time.sleep(random.random() * 2)
        password.send_keys(PASSWORD)#输入密码并等待一下
        time.sleep(random.random() * 1)
        browser.execute_script("Object.defineProperties(navigator,{webdriver:{get:() => false}})") #淘宝对selenium的识别主要是通过navigator.webdriver,使用selenium的浏览器api显示的是True，所有我们改成fALSE就可以过淘宝的检测
        action = ActionChains(browser)
        time.sleep(random.random() * 1)
        butt = browser.find_element(By.ID, 'nc_1_n1z')
        browser.switch_to.frame(browser.find_element(By.ID, '_oid_ifr_'))
        browser.switch_to.default_content()
        action.click_and_hold(butt).perform()
        action.reset_actions()
        action.move_by_offset(285, 0).perform()#输入账号密码后会有一个滑动验证
        time.sleep(random.random() * 1)
        button = browser.find_element(By.ID, 'J_SubmitStatic')#登录按钮
        time.sleep(random.random() * 2)
        button.click()
        time.sleep(random.random() * 2)
        # browser.get('https://www.taobao.com/')
        cookie = browser.get_cookies()#获取cookies，原本想selenium实现登录，其他使用scrapy来，但是淘宝的商品搜索页的js找不到加上时间不够就没写了。
        list = {}#scrapy携带的cookies需要字典类型的
        for cookiez in cookie:
            name = cookiez['name']
            value = cookiez['value']
            list[name] = value
        if len(list) > 10:
            break
        else:
            browser.close()
    return browser,list

然后是数据保存

class TaobaoSPipeline(object):
    def open_spider(self,spider): #scrapy打开时启动，这里是打开或者新建一个txt文件，文件路径是当前路径
        self.f = open('淘宝店铺数据.txt','w')
    def process_item(self, item, spider):#数据保存以字典的形式，也可以改成数据库或者csv
        data = {}
        data['url'] = item['url']
        data['name'] = item['name']
        data['price'] = item['price']
        data['num'] = item['num']
        data['shop_name'] = item['shop_name']
        self.f.write(str(data)+'\n')
        return item
    def close_spider(self,spider):#scrapy结束时启动，用来关掉文件。
        self.f.close()

代码地址 https://github.com/18370652038/taobao.git