Python进阶之使用selenium爬取淘宝商品信息功能示例

Python  /  管理员 发布于 7年前   196

本文实例讲述了Python进阶之使用selenium爬取淘宝商品信息功能。分享给大家供大家参考，具体如下：

# encoding=utf-8__author__ = 'Jonny'__location__ = '西安'__date__ = '2018-05-14''''需要的基本开发库文件：requests,pymongo,pyquery,selenium开发流程：  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  分析提取商品内容：利用PyQuery分析页面源代码，解析获得商品列表信息  存储到MongDB中：将商品的信息列表存储到数据库MongoDB。'''import requestsfrom selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.common.exceptions import TimeoutExceptionfrom pyquery import PyQuery as pqimport pymongoimport reimport timebrowser = webdriver.Chrome()wait = WebDriverWait(browser,10)client = pymongo.MongoClient('localhost',27017)mongo = client['taobao']def searcher():  url = 'https://www.taobao.com/'  browser.get(url=url)  try:    #判断页面加载是够成功，设置等待时间    #判断位置1：搜索输入框是否加载完成    input_kw = wait.until(      EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))    )    #判断位置2：搜索输入框对应的搜索按键是否加载完成    submit = wait.until(EC.element_to_be_clickable(      (By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button'))    )    input_kw.send_keys('男装')    submit.click()    #等待页面加载完成，便于准确判断网页的总页数    page_counts = wait.until(      EC.presence_of_element_located(        (By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total'))    )    parse_page()    return page_counts.text  except TimeoutException as e:    print(e.args)    return searcher()#实现翻页def next_page(page_number):  try:    # 判断页面加载是够成功，设置等待时间    # 判断位置1：页面跳转输入页是否加载完成    input_page = wait.until(      EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))    )    # 判断位置2：确认按键是否加载完成    submit = wait.until(EC.element_to_be_clickable(      (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))    )    input_page.send_keys(page_number)    submit.click()    #判断翻页是否成功    wait.until(EC.text_to_be_present_in_element(      (By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > ul > li.item.active'),str(page_number))    )    parse_page()  except TimeoutException as e:    print(e.args)    next_page(page_number)#对页面进行数据处理def parse_page():  # wait.until(EC.presence_of_element_located(By.CSS_SELECTOR,'#mainsrp-itemlist > div > div'))  wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))  html = browser.page_source  doc = pq(html)  items = doc('#mainsrp-itemlist .items .item').items()  for item in items:    goods = {      '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(goods)    data_storage(goods)#将数据存入数据库def data_storage(goods):  try:    if mongo['mongo_sheet'].insert(goods):      print('Successfully storage!')  except Exception as e:    print('failedly storage!',goods)def main():  text = searcher()  print(text)  #获取总页数  pages = int(re.compile('(\d+)').search(text).group(0))  print(pages)  for i in range(2,pages+1):    next_page(i)  browser.close()if __name__ == '__main__':  main()

更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。