一、介绍
还是崔庆才老师的视频，废话不多说，直接上菜
二、流程
目标站点分析
用浏览器打开淘宝首页输入‘美食’，打开审查元素，分析我们要的商品信息都在Element里哪个分段搜索关键字
利用Selenium驱动浏览器搜索关键字，得到查询后的商品列表分析页码并翻页
得到商品页码数，模拟翻页，得到后续页面的商品列表
1.png
- 分析提取商品内容
利用PyQuery分析源码，解析得到商品列表
2.png
3.png
- 储存到MongoDB
将商品列表信息储存到数据库MongoDB
三、代码
#config.py
MONGO_URL='localhost'
MONGO_DB='taobao'
MONGO_TABLE='product'
KEYWORD = '美食'
import re
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
from pyquery import PyQuery as pq
from day27.config import *
import pymongo
client=pymongo.MongoClient(MONGO_URL)
db=client[MONGO_DB]
browser=webdriver.Chrome()
wait=WebDriverWait(browser, 10)
def search():
print('正在搜索')
try:
browser.get('http://www.taobao.com')
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('KEYWORD')
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 TimeoutException:
return search()
def next_page(page_number):
print('正在翻页', 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 TimeoutException:
next_page(page_number)
def get_products():
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item'))) #使用CSS选择器时，每层要有空格分开
html=browser.page_source
doc=pq(html)
items=doc('#mainsrp-itemlist .items .item').items() #使用CSS选择器时，每层要有空格分开
for item in items:
product={
'image':item.find('.pic.img').attr('src'),
'price':item.find('.price').text(),
'deal':item.find('.deal-cnt').text()[:-3],
'title':item.find('.title').text(),
'shop':item.find('.shop').text(),
'location': item.find('.location').text()
}
print(product)
save_to_mongo(product)
def save_to_mongo(result):
try:
if db[MONGO_TABLE].insert(result):
print('储存到MongoDB成功',result)
except Exception:
print('储存到MongoDB失败',result)
def main():
try:
total=search()
total=int(re.compile('(\d+)').search(total).group(1))
#print(total)
for i in range(2,total+1):
next_page(i)
except Exception:
print('出错啦')
finally:
browser.close()
if __name__=='__main__':
main()
四、最后得到的数据视图
4.png
五、总结
1.目标站点分析时候访问的url务必和代码里的url一致
2.使用CSS选择器时，每层要有空格分开
3.Compare是个好东西
