Selenium 抓取淘宝商品

我们可以尝试分析Ajax来抓取了相关数据,但是并不是所有的页面都是可以分析Ajax来就可以完成抓取的,比如淘宝。它的整个页面数据确实也是通过Ajax获取的,但是这些Ajax接口参数比较复杂,可能会包含加密密钥等参数,所以我们如果想自己构造Ajax参数是比较困难的,对于这种页面我们最方便快捷的抓取方法就是通过Selenium,本节我们就来用Selenium来模拟浏览器操作,抓取淘宝的商品信息,并将结果保存到MongoDB。

接口分析

首先我们来看下淘宝的接口,看看它的接口相比一般Ajax多了怎样的内容。

打开淘宝页面,搜索一个商品,比如iPad,此时打开开发者工具,截获Ajax请求,我们可以发现会获取商品列表的接口。

它的链接包含了几个GET参数,如果我们要想构造Ajax链接直接请求再好不过了,它的返回内容是Json格式。

但是这个Ajax接口包含了几个参数,其中_ksTS、rn参数不能直接发现其规律,如果我们要去探寻它的生成规律也不是做不到,但这样相对会比较繁琐,所以如果我们直接用Selenium来模拟浏览器的话就不需要再关注这些接口参数了,只要在浏览器里面可以看到的我们都可以爬取。这也是为什么我们选用Selenium爬取淘宝的原因。

页面分析

我们本节的目标是爬取商品信息,例如:

这样的一个结果就包含了一个商品的基本信息,包括商品图片、名称、价格、购买人数、店铺名称、店铺所在地,我们要做的就是将这些信息都抓取下来。

抓取入口就是淘宝的搜索页面,这个链接是可以直接构造参数访问的,例如如果搜索iPad,就可以直接访问https://s.taobao.com/search?q=iPad,呈现的就是第一页的搜索结果,如图所示:

如果想要分页的话,我们注意到在页面下方有一个分页导航,包括前5页的链接,也包括下一页的链接,同时还有一个输入任意页码跳转的链接,如图所示:

在这里商品搜索结果一般最大都为100页,我们要获取的每一页的内容,只需要将页码从1到100顺次遍历即可,页码数是确定的。所以在这里我们可以直接在页面跳转文本框中输入要跳转的页码,然后点击确定按钮跳转即可到达页码页码对应的页面。

在这里我们不直接点击下一页的原因是,一旦爬取过程中出现异常退出,比如到了50页退出了,我们如果点击下一页就无法快速切换到对应的后续页面,而且爬取过程中我们也需要记录当前的页码数,而且一旦点击下一页之后页面加载失败,我们还需要做异常检测检测当前页面是加载到了第几页,因此整个流程相对复杂,所以在这里我们直接选用跳页的方式来爬取页面。

当我们成功加载出某一页商品列表时,利用Selenium即可获取页面源代码,然后我们再用相应的解析库解析即可,在这里我们选用PyQuery进行解析。

代码实战

下面我们用代码来实现一下整个抓取过程。

获取商品列表

首先我们需要构造一个抓取的URL,https://s.taobao.com/search?q=iPad,URL非常简洁,参数q就是要搜索的关键字,我们只需要改变链接的参数q即可获取不同商品的列表,在这里我们将商品的关键字定义成一个变量,然后构造出这样的一个URL。

构造出URL之后我们就需要用Selenium进行抓取了,我们实现如下抓取列表页的方法:

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
KEYWORD = 'iPad'

def index_page(page):
    """
    抓取索引页
    :param page: 页码
    """
    print('正在爬取第', page, '页')
    try:
        url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)
        browser.get(url)
        if page > 1:
            input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))
            submit = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')))
            input.clear()
            input.send_keys(page)
            submit.click()
        wait.until(
            EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
        get_products()
    except TimeoutException:
        index_page(page)

在这里我们首先构造了一个WebDriver对象,使用的浏览器是Chrome,然后指定一个关键词,如iPad,然后我们定义了一个get_index()方法,用于抓取商品列表页。

在该方法里我们首先访问了这个链接,然后判断了当前的页码,如果大于1,那就进行跳页操作,否则等待页面加载完成。

等待加载我们使用了WebDriverWait对象,它可以指定等待条件,同时指定一个最长等待时间,在这里指定为最长10秒。如果在这个时间内成功匹配了等待条件,也就是说页面元素成功加载出来了,那就立即返回相应结果并继续向下执行,否则到了最大等待时间还没有加载出来就直接抛出超时异常。

比如我们最终要等待商品信息加载出来,在这里就指定了presence_of_element_located这个条件,然后传入了 .m-itemlist .items .item 这个选择器,而这个选择器对应的页面内容就是每个商品的信息块,可以到网页里面查看一下。如果加载成功,就会执行后续的get_products()方法,提取商品信息。

关于翻页的操作,我们在这里是首先获取了页码输入框,赋值为input,然后获取了提交按钮,赋值为submit,分别是下图中的两个元素:

首先我们清空了输入框,调用clear()方法即可,随后调用send_keys()方法将页码填充到输入框中,然后点击确定按钮即可。

那么怎样知道有没有跳转到对应的页码呢?我们可以注意到成功跳转某一页后页码都会高亮显示:

我们只需要判断当前高亮的页码数是当前的页码数即可,所以在这里使用了另一个等待条件 text_to_be_present_in_element,它会等待某一文本出现在某一个节点里面即返回成功,在这里我们将高亮的页码节点对应的CSS选择器和当前要跳转的页码通过参数传递给这个等待条件,这样它就会检测当前高亮的页码节点里是不是我们传过来的页码数,如果是,那就证明页面成功跳转到了这一页,页面跳转成功。

那么这样,刚才我们所实现的get_index()方法就可以做到传入对应的页码,然后加载出对应页码的商品列表后,再去调用get_products()方法进行页面解析。

解析商品列表

接下来我们就可以实现get_products()方法来解析商品列表了,在这里我们直接获取页面源代码,然后用PyQuery进行解析,实现如下:

from pyquery import PyQuery as pq
def get_products():
    """
    提取商品数据
    """
    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('data-src'),
            'price': item.find('.price').text(),
            'deal': item.find('.deal-cnt').text(),
            'title': item.find('.title').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()
        }
        print(product)
        save_to_mongo(product)

首先我们调用了page_source属性获取了页码的源代码,然后构造了PyQuery解析对象,首先我们提取了商品列表,使用的CSS选择器是 #mainsrp-itemlist .items .item,它会匹配到整个页面的每个商品,因此它的匹配结果是多个,所以在这里我们又对它进行了一次遍历,用for循环将每个结果分别进行解析,在这里每个结果我们用for循环把它赋值为item变量,每个item变量都是一个PyQuery对象,然后我们再调用它的find()方法,传入CSS选择器,就可以获取单个商品的特定内容了。

比如在这里我们查看一下商品信息源码,如图所示:

在这里我们观察一下商品图片的源码,它是一个 img 节点,包含了id、class、data-src、alt、src等属性,在这里我们之所以可以看到这张图片是因为它的src属性被赋值为图片的URL,在这里我们就把它的src属性提取出来就可以获取商品的图片了,不过这里我们还注意到有一个data-src属性,它的内容也是图片的URL,观察后发现此URL是图片的完整大图,而src是压缩后的小图,所以这里我们抓取data-src属性来作为商品的图片。

所以我们需要先利用find()方法先找到图片的这个节点,然后再调用attr()方法获取商品的data-src属性即可,这样就成功提取了商品图片链接。然后我们用同样的方法提取商品的价格、成交量、名称、店铺、店铺所在地等信息,然后将所有提取结果赋值为一个字典,叫做product,随后调用save_to_mongo()将其保存到MongoDB即可。

保存到MongoDB

接下来我们再将商品信息保存到MongoDB,实现如下:

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
def save_to_mongo(result):
    """
    保存至MongoDB
    :param result: 结果
    """
    try:
        if db[MONGO_COLLECTION].insert(result):
            print('存储到MongoDB成功')
    except Exception:
        print('存储到MongoDB失败')

我们首先创建了一个MongoDB的连接对象,然后指定了数据库,在方法里随后指定了Collection的名称,然后直接调用insert()方法即可将数据插入到MongoDB,此处的result变量就是在get_products()方法里传来的product,包含了单个商品的信息,这样我们就成功实现了数据的插入。

遍历每页

刚才我们所定义的get_index()方法需要接收一个参数page,page即代表页码数,所以在这里我们再实现页码遍历即可,代码如下:

MAX_PAGE = 100
def main():
    """
    遍历每一页
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)

实现非常简单,只需要调用一个for循环即可,在这里定义最大的页码数100,range()方法的返回结果就是1到100的列表,顺次遍历调用index_page()方法即可。

这样我们的淘宝商品爬虫就完成了,最后调用main()方法即可运行。

运行

我们将代码运行起来,可以发现首先会弹出一个Chrome浏览器,然后顺次访问淘宝页面,然后控制台便会输出相应的提取结果,这些商品信息结果都是一个字典形式,然后被存储到了MongoDB里面。

对接PhantomJS

但是此次爬取有个不太友好的地方就是Chrome浏览器,爬取过程必须要开启一个Chrome浏览器确实不太方便,所以在这里我们还可以对接PhantomJS,只需要将WebDriver的声明修改一下即可,但是注意这里必须要安装好PhantomJS,如果没有安装可以参考第一章里的安装方法说明。

将WebDriver声明修改如下:

browser = webdriver.PhantomJS()

这样在抓取过程中就不会有浏览器弹出了。

另外我们还可以设置缓存和禁用图片加载的功能,进一步提高爬取效率,修改如下:

SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)

这样我们就可以禁用PhantomJS的图片加载同时开启缓存,可以发现页面爬取速度进一步提升。

源码

本节代码地址为:https://github.com/Python3WebSpider/TaobaoProduct

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏cloudskyme

Apache nutch1.5 & Apache solr3.6

第1章引言 1.1nutch和solr Nutch 是一个开源的、Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。 Solr 拥有像 w...

3444
来自专栏大魏分享(微信公众号:david-share)

航空App的订餐系统(上):完整设计一个高级应用-第三篇

版权说明:本文书写过程中参照了红帽的技术文档;本系列文章中的部分测试代码为红帽公司版权所有,因此不能提供源码文件。

922
来自专栏前端儿

Node.js下基于Express + Socket.io 搭建一个基本的在线聊天室

  采用nodeJS设计,基于express框架,使用WebSocket编程之 socket.io机制。聊天室增加了 注册登录 模块 ,并将用户个人信息和聊天记...

1081
来自专栏技术翻译

将Elasticsearch直接连接到Java EE应用程序

时髦的大数据来自3 V:音量,种类和速度。卷是指数据的大小,品种是指不同类型的数据,而速度是指数据处理的速度。为了处理持久性大数据,NoSQL数据库可以更快地写...

773
来自专栏从零开始学自动化测试

Selenium2+python自动化44-元素定位参数化(find_element)

前言 元素定位常用的有八种方法,这个能看到这一篇的小伙伴都知道了,那么有没有一种方法,可以把常用的八种定位合为一种呢?也就是把定位的方式参数化,如id,name...

3205
来自专栏Python自动化测试

测试驱动之xml文件的处理

Xml是可扩展标记语言,关于xml的技术本人这里不在介绍,感兴趣的同学可以去w3c看看详细的资料,这里,我仅仅介绍的是如何获取xml文档结构中的...

723
来自专栏Java3y

Mybatis【缓存、代理、逆向工程】

Mybatis缓存 缓存的意义 将用户经常查询的数据放在缓存(内存)中,用户去查询数据就不用从磁盘上(关系型数据库数据文件)查询,从缓存中查询,从而提高查询效率...

3323
来自专栏潇涧技术专栏

Pury Project Analysis

Pury的源码:https://github.com/NikitaKozlov/Pury

672
来自专栏Java帮帮-微信公众号-技术文章全总结

Quartz数据库表分析【面试+工作】

共11张表,前6张都是关于各种triggers的信息,后面包括job,悲观锁,调度状态等信息;相关表操作在类StdJDBCDelegate中,相关sql语句在S...

684
来自专栏马洪彪

Java设计模式(七)Decorate装饰器模式

一、场景描述 (一)问题 系统中最初使用Crystal Report(水晶报表)工具生成报表,并将报表发送给客户端查看,此时定义一CrystalReport工具...

4109

扫码关注云+社区