使用selenium抓取淘宝的商品信息实例
淘宝的页面大量使用了js加载数据，所以采用selenium来进行爬取更为简单，selenum作为一个测试工具，主要配合无窗口浏览器phantomjs来使用。
importre
fromseleniumimportwebdriver
fromselenium.common.exceptionsimportTimeoutException
fromselenium.webdriver.common.byimportBy
fromselenium.webdriver.support.uiimportWebDriverWait
fromselenium.webdriver.supportimportexpected_conditionsasEC
frompyqueryimportPyQueryaspq
'''
wait.until()语句是selenum里面的显示等待，wait是一个WebDriverWait对象，它设置了等待时间，如果页面在等待时间内
没有在DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,也可以说程序每隔xx秒看一眼，如果条件
成立了，则执行下一步，否则继续等待，直到超过设置的最长时间，然后抛出TimeoutException
1.presence_of_element_located元素加载出，传入定位元组，如(By.ID,'p')
2.element_to_be_clickable元素可点击
3.text_to_be_present_in_element某个元素文本包含某文字
'''
#定义一个无界面的浏览器
browser=webdriver.PhantomJS(
service_args=[
'--load-images=false',
'--disk-cache=true'])
#10s无响应就down掉
wait=WebDriverWait(browser,10)
#虽然无界面但是必须要定义窗口
browser.set_window_size(1400,900)
defsearch():
'''
此函数的作用为完成首页点击搜索的功能，替换标签可用于其他网页使用
:return:
'''
print('正在搜索')
try:
#访问页面
browser.get('https://www.taobao.com')
#选择到淘宝首页的输入框
input=wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR,'#q'))
)
#搜索的那个按钮
submit=wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR,'#J_TSearchForm>div.search-button>button')))
#send_key作为写到input的内容
input.send_keys('面条')
#执行点击搜索的操作
submit.click()
#查看到当前的页码一共是多少页
total=wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR,'#mainsrp-pager>div>div>div>div.total')))
#获取所有的商品
get_products()
#返回总页数
returntotal.text
exceptTimeoutException:
returnsearch()
defnext_page(page_number):
'''
翻页函数，
:parampage_number:
:return:
'''
print('正在翻页',page_number)
try:
#这个是我们跳转页的输入框
input=wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR,'#mainsrp-pager>div>div>div>div.form>input')))
#跳转时的确定按钮
submit=wait.until(
EC.element_to_be_clickable(
(By.CSS_SELECTOR,
'#mainsrp-pager>div>div>div>div.form>span.J_Submit')))
#清除里面的数字
input.clear()
#重新输入数字
input.send_keys(page_number)
#选择并点击
submit.click()
#判断当前页是不是我们要现实的页
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)))
#调用函数获取商品信息
get_products()
#捕捉超时，重新进入翻页的函数
exceptTimeoutException:
next_page(page_number)
defget_products():
'''
搜到页面信息在此函数在爬取我们需要的信息
:return:
'''
#每一个商品标签，这里是加载出来以后才会拿网页源代码
wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR,'#mainsrp-itemlist.items.item')))
#这里拿到的是整个网页源代码
html=browser.page_source
#pq解析网页源代码
doc=pq(html)
items=doc('#mainsrp-itemlist.items.item').items()
foriteminitems:
#print(item)
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)
defmain():
try:
#第一步搜索
total=search()
#int类型刚才找到的总页数标签，作为跳出循环的条件
total=int(re.compile('(\d+)').search(total).group(1))
#只要后面还有就继续爬，继续翻页
foriinrange(2,total+1):
next_page(i)
exceptException:
print('出错啦')
finally:
#关闭浏览器
browser.close()
if__name__=='__main__':
main()
以上这篇使用selenium抓取淘宝的商品信息实例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毛票票。