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'

巴特西

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）

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

流程框架

爬虫实战

spider详情页

config配置页

最新文章

热门文章