Selenium+Beautiful爬取京东商品

流程框架

  • 搜索关键字,利用selenium驱动浏览器搜索关键字
  • 分析页码并翻页,得到商品页码数,模拟翻页,得到后续页码的商品列表
  • 分析提取商品内容,利用PyQuery分析源码,解析得到商品列表
  • 存储至MongoDB,将商品列表信息存储到数据库
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.common.exceptions import TimeoutException
from bs4 import BeautifulSoup
import json
broswer = webdriver.Chrome()
wait = WebDriverWait(broswer, 10)
def search():
    try:
        broswer.get('https://www.jd.com')
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#key'))
        )
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#search > div > div.form > button')) 
        )
        input.send_keys('口罩')
        submit.click()
        total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#J_bottomPage > span.p-skip > em:nth-child(1) > b'))
        ) 
        get_products()
        return total.text
    except TimeoutException:
        return search()
def next_page(pager_number):
    try:
        input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, '#J_bottomPage > span.p-skip > input'))
            )
        submit = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_bottomPage > span.p-skip > a')) 
            )
        input.clear()
        input.send_keys(pager_number)
        submit.click()
        wait.until(EC.text_to_be_present_in_element(
            (By.CSS_SELECTOR,'#J_bottomPage > span.p-num > a.curr'), str(pager_number))
                  )
        get_products()
    except TimeoutException:
        return next_page(pager_number)   
def get_products():
    wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#J_bottomPage > span.p-skip > em:nth-child(1) > b'))
        ) 
    html = broswer.page_source
    soup = BeautifulSoup(html, 'lxml')
    titles = soup.select('.gl-item .p-name.p-name-type-2 a em')
    urls = soup.select('.gl-item .p-img a')
    
    for title, url in zip(titles, urls):
        product = {
            'title':title.get_text(),
            'url':url['href']
        }
        write_to_file(product)
        print(product)
def write_to_file(product):
    with open('JD_product.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(product, ensure_ascii=False) + '\n')
        f.close
def main():
    total = int(search())
    for i in range(2, total+1):
        next_page(i)
    broswer.close()
if __name__ == '__main__':
    main()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

相关阅读更多精彩内容

  • 本文是我接触爬虫以来,第三套爬虫的代码记录博客。本文主要是记录淘宝搜索美食的页面信息,工具是selenium 和 ...
    小白猿阅读 4,736评论 1 9
  • 前言 前面介绍了使用selenium和chromedriver通过模拟浏览器运行的方式可以做到在浏览器中看到是什么...
    浩成聊技术阅读 8,059评论 0 2
  • 人之初,性本恶。 男人的本性尤其如此。 苟不掀,性乃谦。 人性之恶,平时都躲在道德,法律,礼仪的天鹅绒幕后假寐。一...
    谜样男人阅读 4,421评论 1 3
  • 昨天的谈话关键词是:协同工作 因为内部的合作问题,现在的团队协同效果还未发挥出来,L与Q的100个询单的共同目标现...
    建民_文阅读 4,664评论 2 2
  • 说实话我原来挺疯的,小学的时候天天追着喜欢的男生跑,乐此不疲。现在偶尔会想起那段明亮的日子,不需要想太多的事...
    清池i阅读 1,252评论 0 0

友情链接更多精彩内容