利用Selenium爬取淘宝商品

淘宝页面数据是采用Ajax获取的，但是这些Ajax接口参数比较复杂，可能会加入加密秘钥。对于这种页面，最方便的方法是通过selenium。可以用Selenium来模拟浏览器操作，抓取淘宝商品信息。

1.目标

利用selenium抓取淘宝商品并用pyquery解析得到商品的图片、名称、价格、购买人数、商品图片、店铺所在地等信息，并将其保存到MongoDB数据库中。

2、准备工作

• 配置好ChromeDriver
• 安装Python的Selenium库

3.分析页面

抓取入口就是淘宝的搜索页面，这个链接可以通过直接构造参数访问。例如，如果搜索iPad，就可以直接访问 https://s.taobao.com/search?q=小米9呈现的就是第一页的搜索结果，
这里商品的搜索结果一般最大都为100页，要获取每一页的内容，只需要将页码从1到100顺序遍历即可，页码数是确定的。所以，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”按钮即可跳转到页码对应的页面。

这里不直接点击“下一页”的原因是：一旦爬取过程中出现异常退出，比如到50页退出了，此时点击“下一页”时，就无法快速切换到对应的后续页面了。此外，在爬取过程中，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，还需要做异常检测，检测当前页面是加载到了第几页。整个流程相对比较复杂，所以这里我们直接用跳转的方式来爬取页面。

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，然后再用相应的解析库解析即可。这里我们选用pyquery进行解析。下面我们用代码来实现整个抓取过程。

这一个商品条目，其中包含商品的基本信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地，我们要做的就是将这些信息都抓取下来。

3.代码实现

导入模块

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
from pyquery import PyQuery as pq
import pymongo

配置

MONGO_URL = 'localhost'
MONGO_DB = 'zhou'
MONGO_COLLECTION = 'taobao'
client = pymongo.MongoClient(host=MONGO_URL, port=27017)
db = client[MONGO_DB]
COLLECTION = db[MONGO_COLLECTION]

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
KEYWORD = '魅族X8'
MAX_PAGE = 100

1.获取商品列表

先构造一个抓取的 URL：https://s.taobao.com/search?q=iPhone
这个URL非常简洁，参数q就是要搜索的关键字。只要改变这个参数，即可获取不同商品的列表。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。
然后，就需要用Selenium进行抓取了。我们实现如下抓取列表页的方法：

def index_page(page):
    """
    抓取索引页
    :param page: 页码
    :return:
    """
    print('正在抓取第', 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, '.m-page .input')))
            submit = wait.until(EC.presence_of_element_located((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:
        return index_page(page)

首先判断爬取的页面是否大于1，如果大于1，就进行跳页操作，否则等待页面加载完成。等待加载，使用了 WebDriverWait对象，指定最长等待时间为10秒。
在跳转页面是，需要用判断当前高亮的页码数是当前的页码数，这里使用了另一个等待条件text_to_be_present_in_element。它会等待指定的文本出现在某一个节点里面时即返回成功。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是不是我们传过来的页码数，如果是，就证明页面成功跳转到了这一页，页面跳转成功。

2.解析商品列表

def get_products():
    """
    提取数据
    :return:
    """
    html = browser.page_source
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        product = {
            'title': item.find('.title').text(),
            'image': item.find('.pic .img').attr('data-src'),
            'price': item.find('.price').text(),
            'deal': item.find('.deal-cnt').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()
        }
        print(product)
        save_to_mongo(product)

3.保存至数据库

def save_to_mongo(result):
    """
    保存至MongoDB
    :param result: 结果
    """
    try:
        if COLLECTION.insert_one(result):
            print('储存成功')
    except Exception:
        print('储存失败')

4.finally

if __name__ == '__main__':
    """
    遍历每一页
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)

4.运行结果

运行代码，可以发现首先会弹出一个Chrome浏览器，然后会访问淘宝页面，接着控制台便会输出相应的提取结果。

MongoDB中的结果