使用Selenium爬取天猫商品

一 点睛

并不是所有页面都可以通过分析Ajax来完成抓取。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，所以如果想自己构造Ajax参数，还是比较困难的。对于这种页面，最方便快捷的抓取方法就是通过Selenium。

二 需求

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、店铺名称和店铺所在地信息，并将其保存到MongoDB。

三 准备工作

我们首先以Chrome为例来讲解Selenium的用法。在开始之前，请确保已经正确安装好Chrome浏览器并配置好了ChromeDriver；另外，还需要正确安装Python的Selenium库。

四 接口分析

首先，我们来看下淘宝的接口，看看它是否支持Ajax。

打开天猫页面，搜索商品，比如iPad，此时打开开发者工具，截获Ajax请求，我们可以发现获取商品列表的接口。并不支持，我们只有另想它法。Selenium是一个不错的选择。

五 页面分析

我们的目标是爬取商品信息。其中包含商品的基本信息，包括商品价格、店铺名称，我们要做的就是将这些信息都抓取下来。

抓取入口就是天猫的搜索页面，这个链接可以通过直接构造参数访问。例如，如果搜索P20，就可以直接访问https://list.tmall.com/search_product.htm?q=P20，呈现的就是第一页的搜索结果，如下图所示：

在页面下方，有一个分页导航，其中既包括前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。

这里商品的搜索结果一般最大都为80页，要获取每一页的内容，只需要将页码从1到80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。

六 快速定位样式选择器

当我们要写的自动化脚本比较复杂的时候，每次到python代码中调试CSS选择器（看看我们的css选择器是否能选中元素），会非常的麻烦。因为很慢，我们可以利用浏览器的开发工具，直接在浏览器中进行测试，看看我们写的CSS选择器是否能正确找到我们要的web元素。打开chrome浏览器，按F12，打开开发窗口，点击元素标签（英文叫Element），按ctrl + f ，直接输入css选择器即可。

七 代码

1 config.py

MONGO_URL = 'localhost'
MONGO_DB = 'tianmao'
MONGO_COLLECTION = 'products'

KEYWORD = 'P20'

MAX_PAGE = 1

SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']

2 7_4.py

import pymongo
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 pyquery import PyQuery as pq
from config import *
from urllib.parse import quote

browser = webdriver.Chrome()
#browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)

# chrome_options = webdriver.ChromeOptions()
# chrome_options.add_argument('--headless')
# browser = webdriver.Chrome(chrome_options=chrome_options)

wait = WebDriverWait(browser, 10)
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]


def index_page(page):
    """
    抓取索引页
    :param page: 页码
    """
    print('正在爬取第', page, '页')
    try:
        url = 'https://list.tmall.com/search_product.htm?q=' + quote(KEYWORD)
        browser.get(url)
        if page > 1:
            input = wait.until(
                EC.presence_of_element_located((By.CSS_SELECTOR, 'input.ui-page-skipTo')))
            print(input)
            submit = wait.until(
                EC.element_to_be_clickable((By.CSS_SELECTOR, '.ui-page .ui-btn-s')))
            input.clear()
            input.send_keys(page)
            submit.click()
        wait.until(
            EC.text_to_be_present_in_element((By.CSS_SELECTOR, 'b.ui-page-cur'), str(page)))
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#content .view .product')))
        get_products()
    except TimeoutException:
        index_page(page)


def get_products():
    """
    提取商品数据
    """
    html = browser.page_source
    doc = pq(html)
    items = doc('#content .view.view-noCom .product').items()
    print("1")
    for item in items:
        product = {
            'price': item.find('.productPrice').text(),
            'shop': item.find('.productShop-name').text()
        }
        print(product)
        save_to_mongo(product)


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')


def main():
    """
    遍历每一页
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)
    browser.close()


if __name__ == '__main__':
    main()

八 结果