爬虫入门到精通_实战篇9(使用Selenium模拟浏览器抓取淘宝商品美食信息)_使用Selenium

需要登陆淘宝，所以此章不细说，再次了解下Chrome.

可以了解下PhantomJS。
更详细的可参考

1 目标

目标：抓取淘宝商品美食信息。

淘宝的页面是相当复杂的，含有各种请求参数或是加密参数，如果直接请求或者分析Ajax将十分繁琐。

Selenium是一个自动化测试工具，可以驱动浏览器完成各种操作，比如模拟点击、输入、下拉等等，这样我们只需要关心操作，而不再需要关心后台发生了什么请求。

Chrome是一个常用浏览器。

PhantomJS是一个无界面浏览器（可以在不打开浏览器界面的情况下完成爬取）。

本次将要爬取的是淘宝"美食"关键词下的所有宝贝内容，并存储到MongoDB。

2 流程框架

1. 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。
2. 分析页码并翻页：得到商品页面数，模拟翻页，得到后续页面的商品列表。
3. 分析提取商品内容：利用PyQuery分析源码，解析得到商品列表。
4. 存储至MongoDB：将商品列表信息存储到数据库MongoDB。

3 实战

1.搜索关键字

首先新建项目以及py文件。导入selenium中的webdriver并且创建一个浏览器驱动对象：

from selenium import webdriver
browser = webdriver.Chrome() #创建一个Chrome驱动对象

模拟点击搜索：

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

#声明一个WebDriverWait对象在里面传入一个browser等待条件参数，一个最长等待时间参数
wait=WebDriverWait(browser, 10)#因为后面用到比较多，所以把这部分单独复制为一个变量

#search函数可以让浏览器输入关键词并点击搜索
def search():
    browser.get('https://www.taobao.com')#请求淘宝首页
    input = wait.until(#利用wait.until方法传入一些等待的条件，条件的参数是目标元素
        EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))#通过CSS选择器选择q（也就是搜索框）。
    )
    submit = wait.until(
        EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))#通过CSS选择器选择搜索按钮。
    )
    input.send_keys('美食')#在搜索框中输入内容
    submit.click()#点击按钮，也就是提交搜索内容

2.分析页码并翻页

def next_page(page_number):
    try:
        #获取输入框：
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > input"))  # 通过CSS选择器选择q（也就是搜索框）。
        )
        #获取"确定"按钮
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))  # 通过CSS选择器选择搜索按钮。
        )
        input.clear()#清楚之前输入的内容
        input.send_keys(page_number)#输入页码
        submit.click()#点击确定
        #判断翻页是否成功（当前页码是否在高亮块中）:
        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))
        )
    except TimeoutException:

3.分析提取商品内容

def get_products():
    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:
        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)

4.存储至MongoDB

def save_to_mongo(result):
     try:
        if db[MONGO_TABLE].insert(result):
            print('存储到MONGODB成功',result)
     except Exception:
         print('存储到MONGODB失败',result)

4 整体代码