网络编程
位置:首页>> 网络编程>> Python编程>> Python使用Selenium爬取淘宝异步加载的数据方法

Python使用Selenium爬取淘宝异步加载的数据方法

作者:jingxian  发布时间:2021-05-17 05:31:57 

标签:Python,Selenium,异步,加载

淘宝的页面很复杂,如果使用分析ajax或者js的方式,很麻烦

抓取淘宝‘美食'上面的所有食品信息

spider.py


#encoding:utf8
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 bs4 import BeautifulSoup
from config import *
import pymongo

client=pymongo.MongoClient(MONGODB_URL)
db=client[MONGODB_DB]

##这里使用PhantomJS,并配置了一些参数
browser=webdriver.PhantomJS(service_args=SERVICE_ArGS)

##窗口的大小,不设置的话,默认太小,会有问题
browser.set_window_size(1400,900)

wait=WebDriverWait(browser, 10)

def search():

print('正在搜索')
##容易出现超时的错误
 try:
##等待这两个模块都加载好
   browser.get("https://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'))
     )

######这块python2搞得鬼
   #input.send_keys('\u7f8e\u98df'.decode("unicode-escape"))
   input.send_keys(KEYWORD.decode("unicode-escape"))
   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:
   return search()

def next_page(page_number):

print('翻页'+str(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()

##判断是否翻页成功 高亮的是不是输入的值,直接加在后面即可
   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:
   return next_page(page_number)

#获取产品信息
def get_product():
 products = wait.until(
   EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .m-itemlist .items'))
       )
##拿到网页
 html = browser.page_source
 soup = BeautifulSoup(html,'lxml')
 items = soup.select('#mainsrp-itemlist .m-itemlist .items .item.J_MouserOnverReq')#

print('*************************到此*************')
 for item in items:
   img = item.select('.J_ItemPic.img')[0].get('src')
   price = item.select('.price.g_price.g_price-highlight > strong')[0].get_text()
   deal = item.select('.deal-cnt')[0].get_text()
   title= item.select('.row.row-2.title > a ')[0].get_text().strip() #:nth-of-type(3)
   shop = item.select('.row.row-3.g-clearfix > .shop > a > span:nth-of-type(2)')[0].get_text()
   location = item.select('.location')[0].get_text()

product={
     'img':img,
     'price':price,
     'deal':deal,
     'title':title,
     'shop':shop,
     'location':location
   }

#打印一下
   import json
   j = json.dumps(product)
   dict2 = j.decode("unicode-escape")
   print dict2

save_to_mongo(product)

def save_to_mongo(product):
 try:
   if db[MONGODB_TABLE].insert(product):
     print('存储到mongodb成功'+str(product))
 except Exception:
   print("存储到mongodb失败"+str(product))

def main():

try:
   total=search()

##搜寻 re正则表达式
   s=re.compile('(\d+)')
   total=int(s.search(total).group(1))
   for i in range(2,total+1):
     next_page(i)
 except Exception:
   print('出错')
 finally:
   browser.close()

if __name__ == '__main__':
 main()

config.py


MONGODB_URL='localhost'
MONGODB_DB='taobao'
MONGODB_TABLE='meishi'

SERVICE_ArGS=['--load-images=false','--disk-cache=true']

##就是美食这两个字,直接用汉字会报错
KEYWORD='\u7f8e\u98df'

来源:https://blog.csdn.net/wqh_jingsong/article/details/66472106

0
投稿

猜你喜欢

手机版 网络编程 asp之家 www.aspxhome.com