Python使用Selenium爬取淘宝异步加载的数据方法

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

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'

以上这篇Python使用Selenium爬取淘宝异步加载的数据方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。