Python爬虫（入门+进阶）学习笔记 1-8 使用自动化神器Selenium爬取动态网页（案例三：爬取淘宝商品）

    selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。
    selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

安装：

pip install selenium

    下载chromedriver时，chromedriver官网打不开的话，可以去淘宝镜像，地址：http://npm.taobao.org/mirrors，使用最新的chromedriver可以避免一些未知错误（我用旧版的就报错了：WebDriverException: unknown error: call function result missing 'value'）

from selenium import webdriver
driver = webdriver.Chrome()
driver.get('http://www.baidu.com')

    在 Python 下引用 Selenium 包开发时，报错：WebDriverException: 'chromedriver' executable needs to be in PATH.
安装 selenium 的 python 包之后，还要安装浏览器 driver，下载安装了ChromeDriver后，将其路径添加到/usr/local/bin下，仍然报错，重新添加PATH，也报错。最后解决办法为：
复制 chromedrive 文件到 Google Chrome 程序目录下，

将

driver = webdriver.Chrome()

    改为：

driver = webdriver.Chrome("/Applications/Google Chrome.app/Contents/MacOS/chromedriver")

    即可正常运行。

Selenium的优缺点

优点：Selenium可以爬取任何网页的任何内容，因为它是通过浏览器访问的方式进行数据的爬取，没有网站会拒绝浏览器的访问。 
缺点：时间以及内存消耗太大

Selenium的操作

driver.find_element_by_name() 
查找符合条件的单个元素 
driver.find_elements_by_name() 
查找符合条件的一组元素

点击查看更多操作

尝试使用Selenium

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
driver = webdriver.Chrome("/Applications/Google Chrome.app/Contents/MacOS/chromedriver")
driver.get('http://www.baidu.com')

elem = driver.find_element_by_xpath('//*[@id = "kw"]')  #查找输入框
elem.send_keys('Python',Keys.ENTER)  #模拟点击回车
print(driver.page_source)

实战环节

爬取淘宝网有关“鞋子”的商品信息，并把爬取的数据存储在MongoDB数据库中（这里为了方便大家测试，只是把信息输出）

1. 首先前往淘宝网；
2. 分析搜索框的xpath语句，并send_keys(‘鞋子’)；
3. 分析页面，找到每条商品的信息，使用xpath提取数据并将其存储成字典的格式，输出该字典；
4. 找到下一页的按钮，模拟点击它，并循环第3步，直到循环结束 。

代码：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Mon Mar 26 17:36:50 2018

@author: Jackie


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

browser = webdriver.Chrome("/Applications/Google Chrome.app/Contents/MacOS/chromedriver")
wait = WebDriverWait(browser, 10)
#进入淘宝网，输入鞋子，返回页面
def search():
    try:
        browser.get('https://www.taobao.com/')
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
        input.send_keys(u'鞋子')
        submit.click()
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
        get_products()
        return total.text
    except TimeoutException:
        return search()
#跳转到下一页
def 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)))
        get_products()
    except TimeoutException:
        next_page(page_number)
#得到淘宝商品信息
def get_products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item')))
    html = browser.page_source
    doc = pq(html)
    #pyquery （browser.page_source）就相当于requests.get获取的内容
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        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)

def main():
    total = search()
    total = int(re.compile('(\d+)').search(total).group(1))
    #爬取所有的数据用total+1
    for i in range(2,10):
        next_page(i)


if __name__ == '__main__':
    main()

补充资料

1. PhantomJS无头浏览器

• Python爬虫利器之PhantomJS的用法

2. Pyquery包

• 前往pyquery官方文档，学习更多关于pyquery语法的知识

扩展阅读

虫师：随笔分类 -selenium