selenium和pyquery爬取淘宝美食商品信息

1、用selenium自动爬取淘宝美食的商品信息，先定义search方法，该方法用来在搜索框中输入“美食”，然后点击搜索按钮。浏览器加载需要时间，要判断浏览器加载成功再执行下一步的操作，其使用方法可在python-selenium官网查看waits相关的介绍，部分代码复制粘贴即可。设置的条件要在指定的时间内加载出来，否则会抛出异常，使用try回归这个方法。

Input为搜索框，submit为搜索按钮，判断完成后搜索框中输入“美食”，然后点击搜索按钮，最后main方法调用。

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

browser=webdriver.Chrome()

def search():
    try:
        browser.get("https://www.taobao.com")
        input = WebDriverWait(browser, 10).until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
        submit = WebDriverWait(browser, 10).until(EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button")))
        input.send_keys("美食")
        submit.click()
    except TimeoutException :
        search()

def main():
    search()

if __name__ == '__main__':
    main()

因为search方法外还会有等待判断，可以把WebDriverWait(browser, 10)放在代码头

2、在翻页解析代码之前，要先获取总页数，输入“美食”点击搜索后，需要等待页数加载出来才能进行下一步操作，所以，还需要再加一个等待判断，判断放在search方法里。

total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total")))
return total.text

在main函数中调用，因为返回的total含有汉子，即汉子与数字共同存在，用re正则表达式解析，提取数字，并把字符串转化为整形。

total = search()
total = int(re.compile('(\d+)').search(total).group(1))
print(total)

3、进行翻页，翻页有两种方法，一种是直接点击下一页，另一种是在页数框中输入

页码，点击确定。

还需要判断翻页是否成功，通过高亮显示的数字与页数框中的数字比较判断，可以在搜索框中输入页码进行翻页，然后判断是否与高亮显示的页码相同。

定义翻页方法：input为页数框，submit为确定按钮，先清除页数框，在传入参数，点击按钮，然后判断两个是否相同。

next_page(page_number):
    try:
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > input")))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit")))
        input.clear()
        input.send_keys(page_number)
        submit.click()
        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:
        next_page(page_number)

在main函数中调用，需要遍历总页数

for i in range(1, total + 1):
    next_page(i)

4、解析网页

分析网页源代码可知每个商品的信息在id为mainsrp-itemlist下的items .item中，

所以先判断所需商品的信息是否加载出来，所需商品信息都加载出来后，用page_source得到网页源代码，用pyquery解析，再调用items()方法获得所有选择的内容，然后再分别获取product信息，用find获取内部元素

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 = {
                'price': item.find('.price').text(),  # 价格
                'image': item.find('.pic .img').attr('src'),  # 图片
                'deal': item.find('.deal-cnt').text()[:-3],  # 成交数，去掉末尾的“人付款”
                'title': item.find('.title').text(),  #标题
                'location': item.find('.location').text(),  #地点
                'shop': item.find('.shop').text()  #店名
        }
        print(product)

5、调用

每次翻页都要获取页面的商品信息，所以要在next_page()方法中调用

get_products()

运行结果：

6、存储到mongodb数据库

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'meishi'

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

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")