使用selenium爬取某宝商品信息

使用selenium +PhantomJS()/Chrome爬取 淘宝页面

首先创建一个config.py的文件。在里面做些适当配置：

# 缓存模式
SERVICE_ARGS = ['--disk-cache=true']

# 搜索名称

KEYWORD = '情人节礼物'

在主文件中编写代码：

# coding:utf-8
import re
from pprint import pprint


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
from pyquery import PyQuery as pq
from config import *

browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
wait = WebDriverWait(browser, 10)
browser.set_window_size(1400, 900)


def serach():
    print('正在搜索')
    try:
        browser.get("https://www.taobao.com")
        # 等待输入框加载完毕
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))
        )
        # 等待确定键加载完毕
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))
        )
        # 向输入框填入内容
        input.send_keys(KEYWORD)
        # 点击搜索按钮
        submit.click()
        # 得出页面数据
        total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total'))
        )
        get_product()
        return total.text
    except TimeoutError:
        return serach()


def get_product():
    # 得到每个栏目的玩家信息
    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(),
            'deal': item.find('.deal-cnt').text()[:-3],
            'name': item.find('.title').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()

        }

        pprint(product)


def next_page(page_count):
    print('正在翻页', page_count)
    try:
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))
        )
        # 等待确定键加载完毕
        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_count)
        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_count)

        ))
        get_product()
    except TimeoutError:
        next_page(page_count)


def main():
    try:
        total = serach()
        total = int(re.compile(r'(\d+)').search(total).group(1))
        # print(total)
        for i in range(2, total + 1):
            next_page(i)
    except Exception:
        print('出现异常')
    finally:
        browser.close()


if __name__ == '__main__':
    main()

部分效果图如下：