selenium庫可以驅動瀏覽器自動進行頁面的訪問(代碼參考《Python3網絡爬蟲開發實戰》崔慶才著)
1.驅動瀏覽器訪問淘寶頁面
browser=webdriver.Chrome()
wait=WebDriverWait(browser,10)
def search():
try:
url="https://www.taobao.com"
browser.get(url)
#獲取輸入框
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
#獲取確定按鈕
submit=wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
#在輸入款輸入關鍵詞
input.send_keys('美食')
#點擊確定
submit.click()
#獲取當前商品的總頁數
total=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
return total.text
except:
search()
2.登錄模塊
淘寶設置了登錄後纔可以查看商品信息,這對爬蟲來說無疑增大了很大的難度,我嘗試使用selenium方法輸入賬號密碼,但是輸入後仍然需要滑塊檢驗才能登錄,這一部分還不太會,以後再學,所以就偷懶的手動登錄了。。。
3.翻頁操作
在上一步我們已經獲取了商品的總頁面數,那麼接下來我們需要做的就是從第一頁開始逐個翻頁;
觀察淘寶的分頁部分:
我們可以用兩種方法進行翻頁,第一種是不斷點擊下一頁進行翻頁;第二種是在輸入框中輸入具體的頁面號後點擊確定進行翻頁;在這裏我們使用第二種方法,因爲在第一種方法中,如果某一頁出現了錯誤,那麼繼續點擊下一頁的話,後邊所有的頁面都會出錯。
還有一點需要注意,如何驗證我們的翻頁操作是否正確?
在這裏我們使用的方法是:判斷頁面高亮部分和我們在函數中傳入的實際頁面數是否相等。
def next_page(page_number):
try:
#獲取輸入框
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > input")))
#獲取確定按鈕
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))
#輸入框清空
input.clear()
#輸入框中輸入需要到達的頁面號
input.send_keys(page_number)
#點擊確定按鈕
submit.click()
#判斷高亮的頁面號和實際頁面是否相等
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:
next_page(page_number)
4.商品信息解析
使用pyquery進行商品信息解析
def get_products():
#wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist.items.item')))#加載寶貝信息並等待
html=browser.page_source
doc=pq(html)
items=doc('#mainsrp-itemlist .items .item').items()#得到所有寶貝的內容
for item in items:
product={
'image':item.find('.pic .img').attr('data-src'),#圖片鏈接
'price':item.find('.price').text(),#商品價格
'deal':item.find('.deal-cnt').text()[:-3],#付款人數,-3是爲了去掉人付款這幾個字
'title':item.find('.title').text(),#商品名稱
'shop':item.find('.shop').text(),#店鋪名稱
'location':item.find('.location').text()
}
print(product)
5.完整代碼
import re
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 pyquery import PyQuery as pq
browser=webdriver.Chrome()
wait=WebDriverWait(browser,10)
def search():
try:
url="https://www.taobao.com"
browser.get(url)
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
submit=wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
input.send_keys('美食')
submit.click()
total=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
get_products()
return total.text
except:
search()
def 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)))
get_products()
except:
next_page(page_number)
def get_products():
#wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist.items.item')))#加載寶貝信息並等待
html=browser.page_source
doc=pq(html)
items=doc('#mainsrp-itemlist .items .item').items()#得到所有寶貝的內容
for item in items:
product={
'image':item.find('.pic .img').attr('data-src'),#圖片鏈接
'price':item.find('.price').text(),#商品價格
'deal':item.find('.deal-cnt').text()[:-3],#付款人數,-3是爲了去掉人付款這幾個字
'title':item.find('.title').text(),#商品名稱
'shop':item.find('.shop').text(),#店鋪名稱
'location':item.find('.location').text()
}
print(product)
def main():
total=search()
total=int(re.compile('(\d+)').search(total).group(1)) #轉換爲數值型
print(total)
for i in range(2,total+1):
next_page(i)
if __name__=='__main__':
main()