使用Selenium+Chrome/PhantomJS抓取淘宝“美食”详解

参考：崔庆才老师教程
状态：未完成

准备工作

淘宝的页面是相当复杂的，含有各种请求参数或是加密参数，如果直接请求或者分析Ajax将十分繁琐。
Selenium是一个自动化测试工具，可以驱动浏览器完成各种操作，比如模拟点击、输入、下拉等等，这样我们只需要关心操作，而不再需要关心后台发生了什么请求。
Chrome是一个常用浏览器。
PhantomJS是一个无界面浏览器（可以在不打开浏览器界面的情况下完成爬取）。
本次将要爬取的是淘宝“美食”关键词下的所有宝贝内容，并存储到MongoDB。
使用的解析库是PyQuery。
请确保以上类库已经正确安装。
关于下文提到的一些关于selenium的用法，可以在selenium-python中文文档进行查阅。
由于翻译等问题，中文文档的阅读性稍差，你也可以查阅selenium-python英文文档。

目标站点分析

如上图，打开淘宝，搜索关键词“美食”，可以看到许多好吃的（流口水…）。右键审查，点击Network，勾选Preserve log，刷新网页，找到第一个请求并查看返回信息。可以发现，其中都是一些JS代码，并没有任何的商品信息。因此，通过分析Ajax是非常复杂的。那么我们可以通过模拟浏览器的一整套动作来完成。

流程框架

1.搜索关键字

利用Selenium驱动浏览器搜索关键字，得到查询后的商品列表。

2.分析页码并翻页

得到商品页码数，模拟翻页，得到后续页面的商品列表。

3.分析提取商品内容

利用PyQuery分析源码，解析得到商品列表

4.存储至MongoDB

将商品列表信息存储到数据库MongoDB。

爬虫实战

1.搜索关键字

（1）输入关键字、点击搜索

首先新建项目以及py文件。导入selenium中的webdriver并且创建一个浏览器驱动对象：

from selenium import webdriver

browser = webdriver.Chrome() #创建一个Chrome驱动对象

此时运行的话，会弹出一个Chrome浏览器窗口。
如果没有弹出，说明驱动没有安装好。安装步骤可以看这篇文章：https://blog.csdn.net/z714405489/article/details/83047772
接下来定义搜索函数：

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

#声明一个WebDriverWait对象在里面传入一个browser等待条件参数，一个最长等待时间参数
wait=WebDriverWait(browser, 10)#因为后面用到比较多，所以把这部分单独复制为一个变量

#search函数可以让浏览器输入关键词并点击搜索
def search():
    browser.get('https://www.taobao.com')#请求淘宝首页
    input = wait.until(#利用wait.until方法传入一些等待的条件，条件的参数是目标元素
        EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))#通过CSS选择器选择q（也就是搜索框）。
    )
    submit = wait.until(
        EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))#通过CSS选择器选择搜索按钮。
    )
    input.send_keys('美食')#在搜索框中输入内容
    submit.click()#点击按钮，也就是提交搜索内容

这部分可以参考中文文档-5. 等待页面加载完成(Waits)或者https://blog.csdn.net/z714405489/article/details/83280894。


此外，代码中有两处用到了CSS选择器，那么选择器的内容（也就是等待判断条件的另一个参数）怎么获取呢？
可以在审查界面中，先点击左边的select按钮，再点击搜索框，接下来会定位到相应的元素，右击->Copy->Copy selector，再复制到代码中相应的位置即可。“搜索”按钮的选择器同理。

最后在主函数中调用函数即可：

def main():
    search()

if __name__ == '__main__':
    main()

运行程序之后，浏览器会自动完成相应的动作。

扫描二维码关注公众号，回复： 4033685 查看本文章

（2）手动登录

问题来了，浏览器点击搜索之后，会跳到登录界面（如果没有那就太爽了）。
我搜索了很多使用selenium进行自动登录、或是绕过selenium检测的方法，但是都没有成功，淘宝的反爬应该还是做得不错的。那么，我们就得需要手动登录了，否则无法进行后面的步骤。
我们可以在

browser.get('https://www.taobao.com')

这条语句之后添加一个延时：

sleep(15)

在15秒的时间内通过扫码登录（账户密码登录是不行的，因为selenium驱动的浏览器无法拖过滑块验证），之后再回到首页，这样20秒结束后，chrome会继续执行后面的动作，而因为现在已经是登录状态，就不会出错了。

2.翻页

好了，处理完上面的小插曲之后，继续。
输入关键词搜索之后，需要等待“页数”加载完成，所以加一个wait（跟上面一个套路）：

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

这个CSS选择器同样可以在审查中复制出来。

再加上一个异常判断，最后在主函数里打印一下：

def search():
    try:
        browser.get('https://www.taobao.com')#请求淘宝首页
        sleep(15)

        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))#通过CSS选择器选择q（也就是搜索框）。
        )
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button'))#通过CSS选择器选择搜索按钮。
        )
        input.send_keys('美食')#在搜索框中输入内容
        submit.click()#点击按钮，也就是提交搜索内容
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
        return total.text
    except TimeoutException:
        return search()

def main():
    total = search()
    print(total)

成功取得了页数。
再进一步，我们仅仅需要页数这个数字，那么用正则表达式提取一下：

def main():
    total = search()
    total = int(re.compile('(\d+)').search(total).group(1))
    print(total)

接下来考虑如何实现翻页。

如上图，要实现翻页有两种方式：

• 点击下一页：这种方式需要判断高亮页码的位置，可能会造成位置错乱，容易出错
• 输入页码进行跳转：这种方法比较方便，可行性更高

那么我们选择第二种方式，先定义一个函数用来翻页：

def next_page(page_number):
    try:
        #获取输入框：
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.form > input"))  # 通过CSS选择器选择q（也就是搜索框）。
        )
        #获取“确定”按钮
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))  # 通过CSS选择器选择搜索按钮。
        )
        input.clear()#清楚之前输入的内容
        input.send_keys(page_number)#输入页码
        submit.click()#点击确定
        #判断翻页是否成功（当前页码是否在高亮块中）:
        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))
        )
    except TimeoutException:

然后再主函数中进行调用：

    for i in range(2,total+1):
        next_page(i)

正当我要运行来测试时，悲剧出现了：

又被淘宝检测到异常了。
马云爸爸你厉害，我选择放弃！

3.分析提取商品内容

这一步需要用到pyquery来解析：

def get_products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item')))
    html =browser.page_source
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        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)

单页运行：


爬还是能爬的，但是要翻页的话，就会遇到上面的问题了。

4.存储至MongoDB

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)

config文件：

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'

准备：

from config import *
import pymongo

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