比价网站的基础-爬取淘宝的商品信息

淘宝网站，页面上有很多动态加载的AJAX请求，并且很多参数做过加密处理，如果直接分析网页，会非常繁琐，难度极大。本文利用selenium驱动chrome浏览器完成关键字输入、搜索、点击等功能，完成页面的信息的获取，并利用pyquery库进行解析，获取商品信息并将信息存入mongodb。
selenium库的安装已经具体使用方法详见博客http://blog.csdn.net/qq_29186489/article/details/78661008，
关于mongodb的安装与配置，详见博客http://blog.csdn.net/qq_29186489/article/details/78546727，本文不再赘述。

抓取思路分析##

1：利用selenium驱动chrome浏览器进入淘宝网站，手工输入账号密码后，获取cookies，并存储到本地；在爬取程序运行时，从本地加载cookies，维持登录；
2：利用selenium驱动chrome浏览器进入淘宝网站，输入关键词“美食”，并点击搜索按钮，得到商品查询后的列表；
3：加载搜索结果页面完成后，分析页码，得到商品的页码数，模拟翻页，每次翻页，停止10-30秒的休眠时间，得到后续页面的商品列表；
4：利用pyquery解析页面，分析获取商品信息；
5：将获取到的商品信息存储到mongodb中，供后续分析使用。

编码实现

一：获取cookies，并存储到本地

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
import time
import json
browser=webdriver.Chrome()
browser.get("https://www.taobao.com")
input=browser.find_element_by_css_selector("#q")
input.send_keys("ipad")
button=browser.find_element_by_class_name("btn-search")
button.click()
#留下时间，扫描二维码登录
time.sleep(20)
#登录后，保存cookies到本地
dictCookies=browser.get_cookies()
jsonCookies=json.dumps(dictCookies)
with open("cookies.txt","w") as f:
    f.write(jsonCookies)

browser.close()

二：加载cookies，运行爬虫程序，获取商品信息
1:引入相关类库

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
import re
from pyquery import PyQuery as pq
import pymongo
import random
import time

2：定义MONGO数据库的链接参数

MONGO_URL="LOCALHOST"
MONGO_DB="taobao"
MONGO_TABLE="product"
client=pymongo.MongoClient(MONGO_URL)
db=client[MONGO_DB]

3：加载cookies信息，并维持登录

#加载cookie，维持登录
def load_cookie(browser,file):
    browser.get("https://www.taobao.com")
    browser.maximize_window()
    browser.delete_all_cookies()
    # 读取登录时存储到本地的cookie
    with open(file, 'r', encoding='utf-8') as f:
        listCookies = json.loads(f.read())

    for cookie in listCookies:
        browser.add_cookie(cookie)
    browser.refresh()
    return browser

3：搜索商品信息

#搜索商品信息
def search_html(browser):
    try:
        browser=load_cookie(browser,"cookies.txt")
        #等待搜索框加载并获取该元素
        input_element=WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#q"))
        )
        #等待搜索按钮并获取该元素
        search_button=WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#J_TSearchForm > div.search-button > button"))
        )
        #输入关键字 美食
        input_element.send_keys("美食")
        #点击搜索按钮
        search_button.click()
        page_total_num=WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.total"))
        )
        num=re.findall('共.*?(\d+).*?页',page_total_num.text,re.S)[0]
        #time.sleep(1000)
        return num

    except TimeoutException:
        return None

4：实现翻页功能

#实现翻页功能，由于淘宝的反抓取设置，翻页太快会被屏蔽，翻页时间设置为15秒每次
def next_page(page_num):
    try:
        #等待页码输入框加载成功，并获取该对象
        input_pagenum=WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.form > input"))
        )
        #等待翻页确定按钮加载成功，并获取该对象
        button_confirm=WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit"))
        )
        #清空页码输入框
        input_pagenum.clear()
        #输入跳转的页码
        input_pagenum.send_keys(page_num)
        #点击页码跳转确认按钮
        button_confirm.click()
        #判断跳转后页面的页面是否和输入的一致
        WebDriverWait(browser,10).until(
            EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > ul > li.item.active > span"),str(page_num))
        )
        #每隔10-30秒随机事件翻页
        time.sleep(random.randint(10, 30))
    except TimeoutException:
        next_page(page_num)

5：解析网页代码，获取商品信息

#解析网页代码，获取商品信息
def get_products():
    #判断商品信息是否加载完成
    WebDriverWait(browser,10).until(EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-itemlist .items .item")))
    #获取加载完成的网页代码
    html=browser.page_source
    #利用pyquery解析网页代码
    doc=pq(html)
    #获取所有的商品信息的列表
    items=doc("#mainsrp-itemlist .items .item").items()
    #遍历获取每个商品的信息
    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()
        }
        save_to_mongo(product)

6：将结果存储到mongodb中

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",result)

7：程序入口

try:
    browser = webdriver.Chrome()
    total_num=int(search_html(browser))
    for page_num in range(2,total_num+1):
        get_products(browser)
        next_page(page_num)
except:
    print("运行出错，请重试！")
finally:
    browser.close()

程序运行结果

控制台截图

数据库截图

程序完整代码下载地址

https://code.csdn.net/qq_29186489/taobaoproduct/tree/master/taobaoproduct.py