python爬虫 — 爬取淘宝商品信息

（一）确定需要爬取的信息

在爬取前首先确定需要获取的信息，打开taobao，在搜索框中输入，需要获取的商品的信息，比如ipad，点击搜索

就可以看到许多的ipad，选择其中的一款商品，比如第一个

可以看到，其包含了以下的信息：

（1）price：售价

（2）deal-cnt: 付款人数

（3）name: 产品名称

（4）shop_name：店铺名称

扫描二维码关注公众号，回复： 1846826 查看本文章

（5）location: 店铺所在地

因此，我们可以爬取上面的这些信息，最后将结果存储在数据库 mongo 中，最终的存储效果为：

接下来开始介绍整个的爬取流程

（二）爬取流程

1.网页特点分析

在商品页面右键查看源代码，会发现找不到需要的信息，便可以猜测其是通过ajax或者其他的方式来加载的。因此，采用selenium 和 pyquery 来爬取商品信息。

2.代码分析

2.1 导入相关的库

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  
from pyquery import PyQuery as pq 
import pymongo
from urllib.parse import quote

2.2 进行必要的初始化

browser = webdriver.Firefox()   #初始化浏览器
wait = WebDriverWait(browser, 30)   #指定延时时间
client = pymongo.MongoClient(host= 'localhost', port=27017)
db = client['taobao']     #指定使用的数据库
collection = db['ipad']  #指定使用的集合

2.3获取网页

首先分析网页的特点，右键 — 查看元素，首先找到页面下方的切换网页的地方

其对应的源代码如下：

def page_get(page):
    print('正在爬取第',page,'页')
    try:
        url = "https://s.taobao.com/search?q=" + quote('ipad')
        browser.get(url)  #连接淘宝网
        in_put = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager .form>input'))) #输入框
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager .form>.btn')))    #提交按钮
        in_put.clear()     #清空输入信息， 每次都要
        in_put.send_keys(page)  #输入信息
        submit.click()     #点击提交按钮
        print('连接成功')
        item_info()        #调用信息提取页面
    except TimeoutException:
        page_get(page)

2.4获取商品信息

首先分析网页，发现商品的信息都存储在 id ="mainsrp-itemlist"

<div id="mainsrp-itemlist"><div class="m-itemlist" data-spm="14">

其下面的 class = "items" 的每一个子节点 class = "item" 均代表一个商品，点开每个标签，即可看到详细信息

获取商品信息的代码如下：

def item_info():
    html = browser.page_source   #获取html
    doc  = pq(html)
    print("获取成功")
    items = doc('#mainsrp-itemlist .item').items()     #形成可迭代列表
    print('这一页商品的的个数是',len(doc('#mainsrp-itemlist .item')),'件')

    #遍历获取商品的信息
    for item in items:
        items_info = {
            'name': item.find('.row-2').text(),
            'price': item.find('.price>strong').text(),
            'deal-cnt' : item.find('.deal-cnt').text(),
            'shop_name': item.find('.row-3 a').text(),
            'location' : item.find('.row-3 .location').text(),
        }    #一件商品的信息提取完毕
        result_save(items_info)    #存储

2.5 存储

将最终的结果存储到非关系型数据库 Mongo 中

def result_save(data):
    if collection.insert(data):
        print('保存成功')
    else:
        print("保存失败")

2.6主函数

def main():
    print("working")
    for page in range(1,101):   
        page_get(page)

2.7运行整个程序

if __name__ == '__main__':
    main()

2.8最终结果

最终爬取了4800条数据

python爬虫 — 爬取淘宝商品信息

猜你喜欢