使用selenium抓取淘寶的商品信息實例

import re
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
from pyquery import PyQuery as pq
'''
wait.until()語句是selenum里面的顯示等待，wait是一個WebDriverWait對象，它設置了等待時間，如果頁面在等待時間內(nèi)
沒有在 DOM中找到元素，將繼續(xù)等待，超出設定時間后則拋出找不到元素的異常,也可以說程序每隔xx秒看一眼，如果條件
成立了，則執(zhí)行下一步，否則繼續(xù)等待，直到超過設置的最長時間，然后拋出TimeoutException
1.presence_of_element_located 元素加載出，傳入定位元組，如(By.ID, 'p')
2.element_to_be_clickable 元素可點擊
3.text_to_be_present_in_element 某個元素文本包含某文字
'''
# 定義一個無界面的瀏覽器
browser = webdriver.PhantomJS(
 service_args=[
  '--load-images=false',
  '--disk-cache=true'])
# 10s無響應就down掉
wait = WebDriverWait(browser, 10)
#雖然無界面但是必須要定義窗口
browser.set_window_size(1400, 900)

def search():
 '''
 此函數(shù)的作用為完成首頁點擊搜索的功能，替換標簽可用于其他網(wǎng)頁使用
 :return:
 '''
 print('正在搜索')
 try:
  #訪問頁面
  browser.get('https://www.taobao.com')
  # 選擇到淘寶首頁的輸入框
  input = wait.until(
   EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))
  )
  #搜索的那個按鈕
  submit = wait.until(EC.element_to_be_clickable(
   (By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
  #send_key作為寫到input的內(nèi)容
  input.send_keys('面條')
  #執(zhí)行點擊搜索的操作
  submit.click()
  #查看到當前的頁碼一共是多少頁
  total = wait.until(EC.presence_of_element_located(
   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))
  #獲取所有的商品
  get_products()
  #返回總頁數(shù)
  return total.text
 except TimeoutException:
  return search()

def next_page(page_number):
 '''
 翻頁函數(shù)，
 :param page_number:
 :return:
 '''
 print('正在翻頁', page_number)
 try:
  #這個是我們跳轉頁的輸入框
  input = wait.until(EC.presence_of_element_located(
   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))
  #跳轉時的確定按鈕
  submit = wait.until(
   EC.element_to_be_clickable(
    (By.CSS_SELECTOR,
     '#mainsrp-pager > div > div > div > div.form > span.J_Submit')))
  #清除里面的數(shù)字
  input.clear()
  #重新輸入數(shù)字
  input.send_keys(page_number)
  #選擇并點擊
  submit.click()
  #判斷當前頁是不是我們要現(xiàn)實的頁
  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)))
  #調(diào)用函數(shù)獲取商品信息
  get_products()
 #捕捉超時，重新進入翻頁的函數(shù)
 except TimeoutException:
  next_page(page_number)

def get_products():
 '''
 搜到頁面信息在此函數(shù)在爬取我們需要的信息
 :return:
 '''
 #每一個商品標簽，這里是加載出來以后才會拿網(wǎng)頁源代碼
 wait.until(EC.presence_of_element_located(
  (By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
 #這里拿到的是整個網(wǎng)頁源代碼
 html = browser.page_source
 #pq解析網(wǎng)頁源代碼
 doc = pq(html)
 items = doc('#mainsrp-itemlist .items .item').items()
 for item in items:
  # print(item)
  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()
  }
  print(product)

def main():
 try:
  #第一步搜索
  total = search()
  #int類型剛才找到的總頁數(shù)標簽，作為跳出循環(huán)的條件
  total = int(re.compile('(\d+)').search(total).group(1))
  #只要后面還有就繼續(xù)爬，繼續(xù)翻頁
  for i in range(2, total + 1):
   next_page(i)
 except Exception:
  print('出錯啦')
 finally:
  #關閉瀏覽器
  browser.close()

if __name__ == '__main__':
 main()