PYTHON 爬虫笔记十:利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB(实战项目三)
2024-10-20 01:23:08
利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB
目标站点分析
淘宝页面信息很复杂的,含有各种请求参数和加密参数,如果直接请求或者分析Ajax请求的话会很繁琐。所以我们可以用Selenium来驱动浏览器模拟点击来爬取淘宝的信息。这样我们只要关系操作,不用关心后台发生了怎样的请求。这样有个好处是:可以直接获取网页渲染后的源代码。输出 page_source 属性即可。
这样,我们就可以做到网页的动态爬取了。缺点是速度相比之下比较慢。
流程框架
爬虫实战
spider详情页
import pymongo
import re 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 pyquery import PyQuery as pq
from config import *
import pymongo client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB] #browser = webdriver.Chrome()
browser = webdriver.PhantomJS(service_args=SERVICE_ARGS) #创建PhantomJS浏览器
wait = WebDriverWait(browser, 10) browser.set_window_size(1400,900)
def search(): #请求页面
print('正在搜索。。。')
try:
browser.get('https://world.taobao.com/') #请求淘宝首页
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '#mq'))
)
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_PopSearch > div.sb-search > div > form > input[type="submit"]:nth-child(2)')))
input.send_keys(KEYWORD)
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 TimeoutError:
total = search()
print(total) def next_page(page_number): #翻页操作
print('正在翻页。。。',page_number)
try:
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))#判断页面是否加载出输入框
)
submit = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))) #判断是否加载出搜索按钮
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)))
#在做结果判断的时候,经常想判断某个元素中是否存在指定的文本,
get_products()
except TimeoutError:
next_page(page_number) def get_products():
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
html = browser.page_source #获取详情页html代码
doc = pq(html) #创建一个Pyquery对象
items = doc('#mainsrp-itemlist .items .item').items() #css选择器获取所以items ,调用items方法取得所取的内容
for item in items:
producet = {
'title': item.find('.title').text(),
'location': item.find('.location').text(),
'price':item.find('.price').text(),
'deal':item.find('.deal-cnt').text()[:-3],
'shop':item.find('.shop').text(),
'image': item.find('.pic .img').attr('src'),
} print(producet)
save_to_monge(producet) def save_to_monge(result):
try:
if db[MONGO_TABLE].insert(result):
print('存储成功!',result)
except Exception:
print('存储失败!',result)
def main():
try:
total = search()
total = int(re.compile('(\d+)').search(total).group(1))
for i in range(2,total+1):
next_page(i)
except Exception:
print('出错啦')
browser.close() if __name__ == '__main__':
main()config配置页
MONGO_URL='localhost'
MONGO_DB='taobao'
MONGO_TABLE='taobao' SERVICE_ARGS = ['--load-images=false','--disk-cache=false'] KEYWORD ='美食'
最新文章
- Cannot find the Word template:WordToRqm.dot
- git worktree
- 《精通Hibernate:Java对象持久化技术详解》目录
- LA 3905 Meteor
- 关于TCP的两个小练习_第一个博客~
- 运维小东西:每天备份sql到远程服务器上
- intent的startActivityForResult()方法
- RequireJS入门(二)
- Centos7-安装telnet服务
- MCV 和 MTV框架基本信息
- Django 修改视图文件(views.py)并加载Django模块 + 利用render_to_response()简化加载模块 +locals()
- poj 2096 Collecting Bugs - 概率与期望 - 动态规划
- CentOS安装JDK9
- MFC命名规范
- 如何查看java进程
- Oracle核心技术之 SQL TRACE
- 看病要排队--hdu1873
- 网络电话pjsip Getting Started: Building for Apple iPhone, iPad and iPod Touch
- org.apache.ibatis.binding.BindingException: Invalid bound statement (not found): cn.gaiay.business.helper.dao.LiveRegenrationRecordMapper.insert
- Python基础笔记系列七:字符串定义和访问
热门文章
- [集合]解决system权限3389无法添加的用户情况
- HDU 1875 畅通project再续 (最小生成树 水)
- Spring使用Cache、整合Ehcache(转)
- java:注解(二)
- Java使用笔记之stream和sorted使用
- 使用sphinx生成美观的文档
- Android利用reative_layout生成梅花界面
- ArcMap中使用ArcPy实现Geometry与WKT的相互转换
- 11-利用session校验图片认证码
- 已知某公司总人数为W,平均年龄为Y岁(每年3月末计算,同时每年3月初入职新人),假设每年离职率为x,x>;0&;&;x<;1,每年保持所有员工总数不变进行招聘,新员工平均年龄21岁。 从今年3月末开始,请实现一个算法,可以计算出第N年后公司员工的平均年龄。(最后结果向上取整)。