selenium和pyquery爬取淘寶美食商品信息

1、用selenium自動爬取淘寶美食的商品信息，先定義search方法，該方法用來在搜索框中輸入“美食”，然後點擊搜索按鈕。瀏覽器加載需要時間，要判斷瀏覽器加載成功再執行下一步的操作，其使用方法可在python-selenium官網查看waits相關的介紹，部分代碼複製粘貼即可。設置的條件要在指定的時間內加載出來，否則會拋出異常，使用try迴歸這個方法。

Input爲搜索框，submit爲搜索按鈕，判斷完成後搜索框中輸入“美食”，然後點擊搜索按鈕，最後main方法調用。

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

browser=webdriver.Chrome()

def search():
    try:
        browser.get("https://www.taobao.com")
        input = WebDriverWait(browser, 10).until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
        submit = WebDriverWait(browser, 10).until(EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button")))
        input.send_keys("美食")
        submit.click()
    except TimeoutException :
        search()

def main():
    search()

if __name__ == '__main__':
    main()

因爲search方法外還會有等待判斷，可以把WebDriverWait(browser, 10)放在代碼頭

2、在翻頁解析代碼之前，要先獲取總頁數，輸入“美食”點擊搜索後，需要等待頁數加載出來才能進行下一步操作，所以，還需要再加一個等待判斷，判斷放在search方法裏。

total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total")))
return total.text

在main函數中調用，因爲返回的total含有漢子，即漢子與數字共同存在，用re正則表達式解析，提取數字，並把字符串轉化爲整形。

total = search()
total = int(re.compile('(\d+)').search(total).group(1))
print(total)

3、進行翻頁，翻頁有兩種方法，一種是直接點擊下一頁，另一種是在頁數框中輸入

頁碼，點擊確定。

還需要判斷翻頁是否成功，通過高亮顯示的數字與頁數框中的數字比較判斷，可以在搜索框中輸入頁碼進行翻頁，然後判斷是否與高亮顯示的頁碼相同。

定義翻頁方法：input爲頁數框，submit爲確定按鈕，先清除頁數框，在傳入參數，點擊按鈕，然後判斷兩個是否相同。

next_page(page_number):
    try:
        input = 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")))
        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)))

    except TimeoutException:
        next_page(page_number)

在main函數中調用，需要遍歷總頁數

for i in range(1, total + 1):
    next_page(i)

4、解析網頁

分析網頁源代碼可知每個商品的信息在id爲mainsrp-itemlist下的items .item中，

所以先判斷所需商品的信息是否加載出來，所需商品信息都加載出來後，用page_source得到網頁源代碼，用pyquery解析，再調用items()方法獲得所有選擇的內容，然後再分別獲取product信息，用find獲取內部元素

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 = {
                'price': item.find('.price').text(),  # 價格
                'image': item.find('.pic .img').attr('src'),  # 圖片
                'deal': item.find('.deal-cnt').text()[:-3],  # 成交數，去掉末尾的“人付款”
                'title': item.find('.title').text(),  #標題
                'location': item.find('.location').text(),  #地點
                'shop': item.find('.shop').text()  #店名
        }
        print(product)

5、調用

每次翻頁都要獲取頁面的商品信息，所以要在next_page()方法中調用

get_products()

運行結果：

6、存儲到mongodb數據庫

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'meishi'

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

def save_to_mongo(result):
    try:
        if db[MONGO_TABLE].insert(result):
            print("存儲到mongodb成功",result)
    except Exception:
        print("存儲到mongodb失敗")