用selenium+Chrome headless爬取淘宝美食

知识点整理:

  • 1、由于淘宝的反爬是比较好的,它的请求也比较兜转,因此直接用requests去请求爬取可能会比较难,因此就可以考虑使用selenium自动化模拟浏览器爬取内容;
  • 2、 此处主要是涉及到一些selenium等待加载,输入文本内容,提交文本内容简单操作,再者就是跳转到目标页,分析目标页源码结构
  • 3、关于selenium的API文档或参数这篇文章:selenium文档

代码如下:

  • 配置文件---config.py
MONGODB_URL='localhost'
MONGO_DB = 'taobao'
MONGO_TABLE='taobao'

#SERVICE_ARGS=['--load-images=false','disk-cache=true']#这个参数原本是打算用PantomJS 无界面爬取的,但由新版selenium已经放弃支持PantomJS,所以这个参数不用了,无界面爬取将改为Chrome headless
KEYWORDS='美食'
  • 实现代码 ---spider.py
# -*- coding: utf-8 -*-
# @File    : spider.py
# @Software: PyCharm

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 selenium.webdriver.chrome.options import Options
import re
from pyquery import PyQuery as pq
import pymongo
from config import *

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')#上面三行代码就是为了将Chrome不弹出界面,实现无界面爬取
browser = webdriver.Chrome(chrome_options=chrome_options)
#browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
wait = WebDriverWait(browser,10)
client = pymongo.MongoClient(MONGODB_URL)
db = client[MONGO_DB]
browser.set_window_size(1400,900)#由于浏览器无界面,设置一下大小保证加载

def search():
    print('正在搜索....')
    try:
        browser.get('https://www.taobao.com/')
        #等待加载完成执行下面代码
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        submit = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button"))
        )
        input.send_keys(KEYWORDS)#selenium对输入框输入内容
        submit.click()
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
        get_product()
        return total.text
    except TimeoutException:
        search()

def next_page(page_number):
    print('正在翻页,第%s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.presence_of_element_located((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_product()
    except TimeoutException:
        next_page(page_number)

def get_product():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item')))
    html = browser.page_source #selenium获取当前页面源码
    doc = pq(html) #使用pyquery获取想要的信息
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        product= {
            'image':item.find('.pic .img').attr('src'),
            'price':item.find('.price').text().replace('\n','',1),
            'deal':item.find('.deal-cnt').text(),
            'title':item.find(('.title')).text().replace('\n','',10),
            '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("存储MongoDB成功",result)
    except Exception:
        print("存储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()
©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

  • 1. 概述 本文主要介绍网络爬虫,采用的实现语言为Python,目的在于阐述网络爬虫的原理和实现,并且对目前常见的...
    Lemon_Home阅读 8,073评论 0 21
  • 背景 部门(东方IC、图虫)业务驱动,需要搜集大量图片资源,做数据分析,以及正版图片维权。前期主要用node做爬虫...
    字节跳动技术团队阅读 12,336评论 1 67
  • Selenium是一款强大的基于浏览器的开源自动化测试工具,最初由 Jason Huggins 于 2004 年在...
    FifiZhuang阅读 12,299评论 5 71
  • scrapy是python最有名的爬虫框架之一,可以很方便的进行web抓取,并且提供了很强的定制型,这里记录简单学...
    bomo阅读 6,634评论 1 11
  • 世人不外乎两种活法:一种是为了活下去而做自己不喜欢的事;一种是为了做自己喜欢的事而活下去。 然而,大多数人的生活方...
    疯狂的阿jiang阅读 3,590评论 0 2

友情链接更多精彩内容