- 本文是我接触爬虫以来，第三套爬虫的代码记录博客。
- 本文主要是记录淘宝搜索美食的页面信息，工具是selenium 和 phantomJS，框架PyQuery其实对于以上框架或者工具，仅仅停留在使用的初级阶段，具体可以参看崔老师的相关博客： Python爬虫利器四之PhantomJS的用法 Python爬虫利器五之Selenium的用法 Python爬虫利器六之PyQuery的用法
- 模拟在淘宝的搜索框填写关键词，然后搜索
- 模拟数据加载完毕后，点击下一页操作
- 数据加载结束以后利用PyQuary进行数据解析提取
- 存储到mongoDB
- 代码细节优化
- 安装 selenium
brew install selenium-server-standalone - 安装PyQuery
sudo easy_install pyquery - 安装phantomjs
brew install phantomjs
使用selenium的大致思路根据CSS选择器或者id之类的定位到具体的控件，然后给控件实现赋值或者点击等操作。
- 导入框架
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
- 加载浏览器驱动，本例中使用谷歌浏览器，使用前请确认已经安装
chromedriver,关于配置可以自行Google或者访问我的博客
# 加载驱动
browser = webdriver.Chrome()
此时代码运行可以呼起一个空置的谷歌浏览器
- 设置等待超时时间：在规定时间内未能加载相应控件将报错
wait = WebDriverWait(browser, 10)
- 通用写法
wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
)
-
代码分析
- EC 为from selenium.webdriver.support import expected_conditions as EC
- EC后边的是选择条件，即什么时候可以选择控件，例中条件为控件完全展示，其他选择条件请看下面
EC选择条件 - By 为from selenium.webdriver.common.by import By
- By后边的是根据什么元素选择控件，可以使id 或者css等等，后边的参数为具体的元素值
-
EC选择条件
title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present
- By参数类型
ID = "id"
XPATH = "xpath"
LINK_TEXT = "link text"
PARTIAL_LINK_TEXT = "partial link text"
NAME = "name"
TAG_NAME = "tag name"
CLASS_NAME = "class name"
CSS_SELECTOR = "css selector"
输入框的EC条件为presence_of_element_located，然后利用其css选择器，并复制其id确定按钮EC条件为element_to_be_clickable同样选择其css值输入框内通过send_keys传入搜索词确定按钮调用click()方法- 其他的方法参见文档
- 坑：send_keys输入关键字的时候，在Python2.7的环境中，如果直接用字符串会报错
UnicodeDecodeError: 'utf8' codec can't decode byte 0xe7in position 0: unexpected end of data可以通过解码进行修复"美食".decode(encoding="utf-8")
browser.get("https://s.taobao.com")
# selenium处理页面等待的方法
# 设置一下需要监听的元素，可以通过id或者能唯一确定元素的属性
# EC是选择条件点后边的是条件，我把条件记录在简书里
# 我们通过页面元素，查找到输入框，我们利用css样式去确定，并利用css选择器去获取
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
)
# 然后监听按钮，条件是以可以点击判断其加载完成
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_SearchForm > div > div.search-button > button"))
)
# 调用selenium的API来给搜索框输入内容，然后按钮追加点击方法
# send_keys添加参数
input.send_keys(KEYWORD)
# 添加点击方法
submit.click()
- 监听翻页控件加载完,以显示
共xx页显示完全为依据 - EC的条件也就是
presence_of_element_located，同样利用其css选 择器 - 将返回页数作为返回值返回
total = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total"))
)
return total.text
翻页功能有种实现方式
-
点击下一页，实现翻页，但是如果发生错误不易差别是具体页数
-
输入页码，点击确定，可以清楚的知道具体跳转了那一页，翻页后确定当前面是否加载完，主要看页码当时是否为高亮状态
-
定义一个以页码作为参数的函数
-
获取页码户输入框架，获取确定按钮，输入框填入参数，然后点击确定实现翻页，与搜索功能相同
-
确定当前页码的高亮状态来
def get_next_page(page_number):
print(u"正在翻页")
try:
# 拿到输入框 和确定 按钮，然后输入页码
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR,"#mainsrp-pager > div > div > div > div.form > input"))
)
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_number)
submit.click()
# 翻页后确定当前面是否加载完，主要看页码当时是否为高亮状态
text = 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))
)
get_product()
except TimeoutException:
print("get_next_page超时")
get_next_page(page_number)
对于PyQuery(以下简称pq)的用法目前完全懵逼，完全是跟着视频敲的，只知道类似于jQuery，根据id或者css样式去获取查找元素，页面结果见下图，通过
id为mainsrp-itemlist的，然后css样式为items获取商品列表，最后通过css样式为items,然后每个商品的信息
- 没啥说的直接上代码
'''
3.解析页面，获取美食信息
'''
def get_product():
print("正在获取产品")
# 页面记载结束：主要是看商品信息的大节点是不是加载完了
wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-itemlist .items .item"))
)
# 获取页面内容
html = browser.page_source
# 通过PyQuery解析页面
doc = pq(html)
# 根据节点获取美食的集合
items = doc("#mainsrp-itemlist .items .item").items()
# 遍历 获取各值
for item in items:
product = {
# 获取img标签下的src属性
"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()
}
- 在第一次加载页面方法时，也就是第一页的时候调用此方法，获取第一页的数据
- 在翻页的时候也要调用此方法
与第一篇爬取头条数据一样，需要单独创建配置文件，然后创建俩呢及，创建数据库，存储数据，有一点着重提示的是，在代码运行存储数据的时候，一定要记得开启mongoDB的服务，不然会报一些莫名其妙的错误
- 配置文件代码
MONGO_URL = "localhost"
MONGO_DB = "Taobao"
MONGO_TAB = "TbCate"
- 创建数据库连接
# 创建数据库链接
client = MongoClient(MONGO_URL)
# 创建数据库
db = client[MONGO_DB]
- 存储数据
'''
4.存储数据
'''
def save_to_mongo(result):
try:
if db[MONGO_TAB].insert(result):
print("正在存储到mongDB")
except Exception:
print("存储失败",result)
def main():
try:
# 获取总页数
totoal = search()
# 获取数字，过滤汉字
pattern = re.compile(r"(\d+)")
match = re.search(pattern, totoal)
# 遍历获取所有的页面
for i in range(2,int(match.group(1)) + 1):
get_next_page(i)
# 数据获取结束以后关闭浏览器
except Exception:
print("出错了")
# 用完后，必须关闭浏览器
finally:
browser.close()
我感觉如果遇到一个具体类似淘宝宝贝数据爬取的需求的话，可能的大致思路是先通过浏览器去模拟数据，成功以后，引入phantomJS去静默爬取数据
- 配置phantomJS
# 将Google浏览器换成PhantomJS
browser = webdriver.PhantomJS()
# 修改弹框大小
browser.set_window_size(1400,800)
- PhantomJS的一些高级配置，详见官网
- 在配置文件中简单进行配置
# phantomJS的高级用配置：不加载图片，加缓存
SEARVICE_ARGS = ["--load-images=false","--disk-cache=true"]
- 代码中引入
browser = webdriver.PhantomJS(service_args=SEARVICE_ARGS)
selenium等待控件加载的时候，容易发生超时问题，所以要加异常处理，一般超时后都是在调用一遍方法- 引入
PhantomJS以后，browser.close()会报错，所以也要加异常处理，在finally后边关闭 - 存储到mongoDB的时候一定要先开启mong服务
- 本博客对
PyQuery和PhantomJS没有进行详细的讲解，因为本人基础薄弱，但是给了一些博客链接，待到本人学习以后会将博客进行完善，另外本博客在GitHub的源码README中同步更新了 - 代码地址