Python进阶之使用selenium爬取淘宝商品信息功能示例

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 requests
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 pyquery import PyQuery as pq
import pymongo
import re
import time
browser = 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()

希望本文所述对大家Python程序设计有所帮助。

来源：https://blog.csdn.net/m0_37338590/article/details/80313813