Python爬虫实战八之利用Selenium抓取淘宝匿名旺旺

更新

其实本文的初衷是为了获取淘宝的非匿名旺旺，在淘宝详情页的最下方有相关评论，含有非匿名旺旺号。

可就在今天，淘宝把所有的账号设置成了匿名显示，SO，获取非匿名旺旺号已经不可能了

前言

嗯，淘宝，它一直是个难搞的家伙。

而且买家在买宝贝的时候大多数都是匿名评论的，大家都知道非匿名评论是非常有用的，比如对于大数据分析，分析某个宝贝的购买用户星级状况等等。

现在已经不能获取非匿名了，此句已没有意义了。

对于抓淘宝，相信尝试过的童鞋都能体会到抓取它的艰辛，最简单的方法莫过于模拟浏览器了，本节我们就讲解一下利用 Selenium 抓取淘宝评论的方法。

项目提供了如下功能：

• 输入淘宝关键字采集淘宝链接并写入到文件
• 从文件读取链接，执行评论采集
• 将评论和旺旺号保存到Excel中
• 记录当前采集链接索引，保存进度

准备工作

首先你需要安装 Python，版本是2.7

然后需要安装的 Python 类库。pip install pyquery selenium twisted requests xlrd xlwt xlutils

安装浏览器Chrome。

然后下载ChromeDriver，ChromeDriver是驱动浏览器的工具，需要把它配置到环境变量里。

有的童鞋说，为什么不用 PhantomJS，因为为了防止淘宝禁掉我们，需要登录淘宝账号，登录过程可能会出现奇奇怪怪得验证码，滚动条，手机验证，如果用 PhantomJS 的话不方便操作，所以在这里我们就使用 Chrome 了。

流程简述

随意打开天猫一个链接

示例链接

发现所有的评论都是匿名的。即使这个用户不是匿名评论的，那也会显示匿名，淘宝这保密做的挺好。

接下来我们返回宝贝详情页面，然后一直下拉下拉，拉到最最后，可以看到有个“看了又看”板块。

这是什么？这是此宝贝相关宝贝以及它的一些评论。

看到了有非匿名用户了，哈哈哈，淘宝加密了评论，推荐部分却没有加密。

嗯，就从这里，我们把它们的旺旺号都抓下来，顺便把评论和购买的宝贝抓下来。

现在已经全部改成了匿名，上述话已经无意义了。

那么抓取完之后，保存到哪里呢？为了便于管理和统计，在这里保存到 Excel 中，那么就需要用到 xlrd, xlwt, xlutils 等库。

嗯，动机就是这样。

实战爬取

抓取过程

首先我们观察这个链接，在最初的时候，其实网页并没有加载最下方的“看了又看”内容的，慢慢往下滑动网页，滑到最下方之后，才发现看了又看页面才慢慢加载出来。

很明显，这个地方使用了Ajax，由于我们用的是 Selenium，所以这里我们不能直接来模拟 Ajax 的 Request，需要我们来模拟真实的用户操作。

所以我们要模拟的就是，在网页部分加载出来之后，模拟浏览器滑动到下方，使“看了又看”内容显示出来，然后获取网页源代码，解析之即可。

两个至关重要的点，1、判断网页框架大体加载出来，2、模拟滑动直到最下方的内容加载出来。

首先，我们解决第一个问题，怎样判断网页框架大体加载出来。我们可以用网页中的某个元素的出现与否来判断。

比如

这一部分是否加载出来。

审查一下代码，ID叫做 J_TabBarBox，好，那就用它来作为网页初步加载成功的标志。

在 Selenium 中，我们用显式等待的方法来判断该元素是否已经加载成功。

try:
    driver.get(url)
    WebDriverWait(driver, timeout).until(
        EC.presence_of_element_located((By.ID, "J_TabBarBox"))
    )
except TimeoutException:
    return False
if is_recommends_appear(driver, max_scroll_time):
    print u'已经成功加载出下方橱窗推荐宝贝信息'
    return driver.page_source

接下来我们需要模拟下拉浏览器，不妨直接下拉到底部，再从底部向上拉，可能需要下拉多次，所以在这里定义了一个下拉次数，那么判断“看了又看”正文内容是否出现依然可以用显式等待的方法。

浏览器审查元素发现它的选择器是 #J_TjWaterfall li

那么可以用如下方法来判断是否加载成功

try:
    driver.find_element_by_css_selector('#J_TjWaterfall li')
except NoSuchElementException:
    return False
return True

下拉过程可以用执行 JavaScript 的方法实现。

js = "window.scrollTo(0,document.body.scrollHeight-" + str(count * count* 200) + ")"
driver.execute_script(js)

其中 count 是下拉的次数，经过测试之后，每次拉动距离和 count 是平方关系比较科学，具体不再描述，当然你可以改成自己想要的数值。

嗯，加载出来之后，就可以用 driver.page_source 来获取网页源代码了。用 pyquery 解析即可。

 

采集链接

刚才我们测试的链接是哪里来的？我们不能一个个去找吧？所以，在这里又提供了一个采集链接的过程，将采集的链接保存到文本，然后抓取的时候从文本读取一个个链接即可。

所以在这里我们模拟搜索的过程，关键字让用户输入，将搜索的链接采集下来。

在此 Selenium 模拟了输入文字，点击按钮和翻页的功能。

下面的方法模拟了加载出搜索框之后输入文字点击回车的过程，将网页的结果返回。

def get_results(keyword):
    driver = config.DRIVER
    link = config.SEARCH_LINK
    driver.get(link)
    try:
        WebDriverWait(driver, config.TIMEOUT).until(
            EC.presence_of_element_located((By.ID, "mq"))
        )
    except TimeoutException:
        print u'加载页面失败'
    try:
        element = driver.find_element_by_css_selector('#mq')
        print u'成功找到了搜索框'
        keyword = keyword.decode('utf-8', 'ignore')
        print keyword
        print u'输入关键字', keyword
        for word in keyword:
            print word
            element.send_keys(word)
        element.send_keys(Keys.ENTER)
    except NoSuchElementException:
        print u'没有找到搜索框'
    print u'正在查询该关键字'
    try:
        WebDriverWait(driver, config.TIMEOUT).until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#J_ItemList div.productImg-wrap"))
        )
    except TimeoutException:
        print u'查询失败'
    html = driver.page_source
    return html

下面的方法模拟了翻页的过程，到指定的翻页数目为止

def get_more_link():
    print u'正在采集下一页的宝贝链接'
    driver = config.DRIVER
    try:
        js = "window.scrollTo(0,document.body.scrollHeight)"
        driver.execute_script(js)
    except WebDriverException:
        print u'页面下拉失败'
    try:
        next = driver.find_element_by_css_selector('#content b.ui-page-num > a.ui-page-next')
        next.click()
    except NoSuchElementException:
        print u'找到了翻页按钮'
    driver.implicitly_wait(5)
    try:
        WebDriverWait(driver, config.TIMEOUT).until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#J_ItemList div.productImg-wrap"))
        )
    except TimeoutException:
        print u'查询失败'
    html = driver.page_source
    parse_html(html)

运行结果截图

采集到到内容保存到 urls.txt 中

代码放送

代码

附加扯淡

嗯想说一句，在这里还提供了一些可配置项，比如翻页最大次数，超时时间，下拉次数，登录链接等等。

都可以在 config.py 中配置。

• URLS_FILE

保存链接单的文件

• OUT_FILE

输出文本EXCEL路径

• COUNT_TXT

计数文件

• DRIVER

浏览器驱动

• TIMEOUT

采集超时时间

• MAX_SCROLL_TIME

下拉滚动条最大次数

• NOW_URL_COUNT

当前采集到第几个链接

• LOGIN_URL

登录淘宝的链接

• SEARCH_LINK

采集淘宝链接搜索页面

• CONTENT

采集链接临时变量

• PAGE

采集淘宝链接翻页数目

• FILTER_SHOP

是否过滤相同店铺

• ANONYMOUS_STR

匿名用户标志，已失效

哦，对了，程序怎么用啊？看 README！