Python爬蟲爬取淘寶商品信息

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()

運行結果