使用selenium模拟浏览器抓取淘宝商品美食信息

摘要：目标通过模拟浏览器抓取淘宝商品美食信息，并存储到数据库中。流程框架淘宝页面比较复杂，含有各种请求参数和加密参数，如果直接请求或者分析将会非常繁琐。

通过Selenium模拟浏览器抓取淘宝商品美食信息，并存储到MongoDB数据库中。

淘宝页面比较复杂，含有各种请求参数和加密参数，如果直接请求或者分析Ajax将会非常繁琐。Selenium是一个自动化测试工具，可以驱动浏览器去完成各种工作，比如模拟点击、输入和下拉等多种功能，这样我们只需关心操作，不需要关心后台发生了怎么样的请求下面对具体操作步骤进行详述。
下图展示了具体的流程框架：

首先，测试一下我们的webdriver是否可以使用：

from selenium import webdriver

browser = webdriver.Chrome()

def search():
    browser.get("https://www.taobao.com/")zidong

def main():
    search()

if __name__ == "__main__":    
    main()

运行以上代码，如果出现下图所示，则表示webdriver安装成功：

接下来让我们利用Selenium搜索淘宝美食关键字，在搜索之前，我们应该注意到一件事情，诸如淘宝之类数据量比较大的网站，一般网站加载较慢，这就带来了一个问题，如果我们使用Selenium操作页面元素，就必须等到元素加载完毕。如果不熟悉Selenium的相关方法，可以到https://www.seleniumhq.org/docs/进行查看，如果你的网速不太理想，可以到https://selenium- python-zh.readthedocs.io/en/latest/进行参考。

完成了以上的工作之后，就可以使用Selenium搜索淘宝美食关键字了，让我们打开淘宝网的首页https://www.taobao.com/，调出控制台来查看页面元素，接下来我们将使用Selenium内置的CSS选择器选择页面元素。
下图展示了如何利用Chrome浏览器获取元素的选择器：

在此，我们思考一下一共需要获取哪几个元素，让我们回想一下手工搜索美食的过程，首先在搜索框输入“美食”关键字，然后点击按钮搜索：

代码实现如下：

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 selenium.common.exceptions import TimeoutException

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)

def search():
    try:
        browser.get("https://www.taobao.com/")

        # 等待搜索框加载出来
        # 像"presence_of_element_located"之类的动作，可以到Selenium官方文档查询
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        # 等待搜索按钮可以被点击
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button"))
        )
        input.send_keys("美食")
        submit.click()
    except TimeoutException:
        # 如果出现超时异常，重新执行search()函数
        return search()

def main():
    search()

if __name__ == "__main__":
    main()

运行代码，如果出现以下情况，说明运行成功：

至此，我们完成了第一步，搜索关键字。

在上面我们搜索美食关键字的第一页，我们可以看到关于美食的页面一共有100页，现在，我们需要想办法获取这个页面：

与上面获取元素的方法相同，我们使用CSS选择器获取页面元素并返回：

total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total"))
        )

然后利用正则表达式提取出有用的元素：

total = int(re.compile("(d+)").search(total).group(1))

提取到总页数之后，我们需要定义一个翻页函数，循环遍历1-100页：

def next_page(page_number):
    try:
        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"))
        )
        # 清空文本框的值
        input.clear()
        # 给文本框赋值 
        input.send_keys(page_number)
        # 点击确定，进行翻页
        submit.click()
        # 判断一下当前页码与文本框中的页码是否一致
        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_products()
    except TimeoutException:
        next_page(page_number)

接下来让我们测试一下以上代码：

def main():
    total = search()
    total = int(re.compile("(d+)").search(total).group(1))
    for i in range(2, total+1):
        next_page(i)
    browser.close()

if __name__ == "__main__":
    main()

运行代码，可以发现浏览器打开淘宝并从第1页翻到100页后自动关闭。

利用PyQuery分析源码，解析得到商品列表：

def get_products():
    # 确保商品信息完全加载完毕
    wait.until(
        EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-itemlist .items .item"))
    )
    # 获取网页源码
    html = browser.page_source
    doc = pq(html)
    items = doc("#mainsrp-itemlist .items .item").items()
    for item in items:
        product = {
            # 获取img的src属性
            "image": item.find(".pic .img").attr("src"),
            # 获取价格
            "price": item.find(".price").text(),
            # 获取付款人数
            "deal": item.find(".deal-cnt").text()[:-3],
            # 获取标题
            "title": item.find(".title").text(),
            # 获取商家
            "shop": item.find(".shop").text(),
            # 获取所在地
            "location": item.find(".location").text()
        }
        print(product)

得到商品列表之后，在search()方法（第1页），next_page()方法（第2-100页）中分别调用get_products()方法。

可以看到控制台输出打印以下结果：

让我们新建一个config.py文件，文件中包含了MongoDB的URL，数据库名称，表名称：

MONGO_URL = "localhost"
MONGO_DB = "taobao"
MONGO_TABLE = "product"

在spider.py中配置存储到MongoDB相关方法：

from config import *
import pymongo

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

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)

然后在get_products()方法中调用save_to_mongo(result)将数据存储到MongoDB中。

运行代码，接下来在MongoDB中进行查看：

项目完整代码已托管到github:https://github.com/panjings/p...