Python使用Selenium模塊實現(xiàn)模擬瀏覽器抓取淘寶商品美食信息功能示例
本文實例講述了Python使用Selenium模塊實現(xiàn)模擬瀏覽器抓取淘寶商品美食信息功能。分享給大家供大家參考,具體如下:
import re
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
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup
from pymongo import MongoClient
from pymongo.errors import PyMongoError
url = 'http://www.taobao.com'
KEYWORD = '美食'
# monogdb配置信息
MONGO_HOST = "localhost"
MONGO_DATABASE = "taobao"
MONGO_TABLE = "meishi"
client = MongoClient(host=MONGO_HOST)
db = client[MONGO_DATABASE]
# PhantomJS 命令行相關(guān)配置
# 參見 http://phantomjs.org/api/command-line.html
SERVICE_ARGS = ['--disk-cache=true', '--load-images=false']
# driver = webdriver.Chrome() # 有界面
driver = webdriver.PhantomJS(service_args=SERVICE_ARGS) # 無界面
delay = 10
wait = WebDriverWait(driver, delay)
# print('windows size', driver.get_window_size())
# PhantomJs()的瀏覽器窗口很小,寬高只有400 * 300
driver.maximize_window() # 窗口最大化 # 對于PhantomJS來說設(shè)置窗口大小很關(guān)鍵,如果不設(shè)置,經(jīng)常會出現(xiàn)問題
# driver.set_window_size(1920, 1080) # 設(shè)置瀏覽器窗口大小
# 模擬在淘寶網(wǎng)頁中輸入關(guān)鍵字搜索
def search():
print("準(zhǔn)備搜索 %s" % KEYWORD)
try:
driver.get(url)
input_box = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, "input#q"))
)
search_btn = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
input_box.send_keys(KEYWORD)
search_btn.click()
total_page_str = wait.until(
EC.presence_of_element_located(
(By.CSS_SELECTOR, 'div.total'))).text
total_page_num = int(re.search("(\d+)", total_page_str).group(1))
item_list = get_goods_by_beautifulsoup()
save_to_mongodb(item_list)
return total_page_num
except TimeoutError:
print("搜索%s超時", KEYWORD)
print("重新嘗試搜索: %s", KEYWORD)
search()
# 根據(jù)頁碼獲取指定頁數(shù)據(jù),并將其保存到數(shù)據(jù)庫中
def get_page(page_num):
print("正在獲取第%d頁數(shù)據(jù)" % page_num)
try:
page_num_box = wait.until(
EC.presence_of_element_located(
(By.CSS_SELECTOR, "div.form > input")))
ok_btn = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, 'div.form > span.btn.J_Submit')))
page_num_box.clear()
page_num_box.send_keys(page_num)
ok_btn.click()
wait.until(
EC.text_to_be_present_in_element(
(By.CSS_SELECTOR,
'li.item.active > span.num'),
str(page_num)))
item_list = get_goods_by_beautifulsoup()
save_to_mongodb(item_list)
except TimeoutException:
print("請求第%d頁失敗" % page_num)
print("嘗試重新獲取第%d頁" % page_num)
return get_page(page_num)
def get_goods_by_pyquery():
'''
通過pyquery庫解析數(shù)據(jù)
獲取商品的圖片url、價格、標(biāo)題、成交量、店鋪名稱、店鋪位置
'''
wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR, "#mainsrp-itemlist .items .item")))
html = driver.page_source
doc = pq(html)
items = list(doc('#mainsrp-itemlist .items .item').items())
for item in items:
yield {
# 不要用src屬性,獲取的圖片地址很多是.gif圖片,而非真實商品圖片,
'image': 'http://' + item.find('.J_ItemPic.img').attr('data-src'),
'price': item.find('.price').text(),
'title': item.find('.row > .J_ClickStat').text().strip(),
'deal_cnt': item.find('.deal-cnt').text()[:-3],
'shop': item.find('.shop').text(),
'location': item.find('.location').text(),
}
# 通過bs4解析數(shù)據(jù)
def get_goods_by_beautifulsoup():
'''
通過bs4庫解析數(shù)據(jù)
獲取商品的圖片url、價格、標(biāo)題、成交量、店鋪名稱、店鋪位置
'''
wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR, "#mainsrp-itemlist .items .item")))
html = driver.page_source
soup = BeautifulSoup(html, 'lxml')
items = soup.select('#mainsrp-itemlist .items .item')
for item in items:
yield {
'image': 'http:' + item.select('img.J_ItemPic.img')[0]['data-src'],
'price': item.select('div.price.g_price.g_price-highlight')[0].get_text(strip=True),
'title': item.select('div.row.row-2.title > a.J_ClickStat')[0].get_text(strip=True),
'deal_cnt': item.select('div.deal-cnt')[0].text[:-3],
'shop': item.select('div.shop > a')[0].get_text(strip=True),
'location': item.select('div.location')[0].text,
}
def save_to_mongodb(item_list):
for item in item_list:
try:
db[MONGO_TABLE].insert(item) # insert支持插入多條數(shù)據(jù)
print("mongodb插入數(shù)據(jù)成功:", item)
except PyMongoError as e:
print("mongodb插入數(shù)據(jù)失敗:", item, e)
# 獲取淘寶美食的圖片url、價格、標(biāo)題、成交量、店鋪名稱、店鋪位置并將結(jié)果保存在mongodb數(shù)據(jù)庫中
if __name__ == '__main__':
try:
total_pages = search()
for page_num in range(2, total_pages + 1):
get_page(page_num)
except Exception as e:
print("出錯了", e)
finally: # 確保 瀏覽器能正常關(guān)閉
driver.close()
備注:
PhantomJS無界面瀏覽器打開的窗口默認(rèn)大小400*300, 往往不能將網(wǎng)頁加載完全,會給提取數(shù)據(jù)造成很大的困難,因此需要指定窗口大小。
可以使用 maximize_window() 最大化窗口或者set_window_size()設(shè)置指定大小
可能會出現(xiàn)的異常:
raise TimeoutException(message, screen, stacktrace)
selenium.common.exceptions.TimeoutException: Message:
Screenshot: available via screen
更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題:《Python Socket編程技巧總結(jié)》、《Python正則表達(dá)式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》
希望本文所述對大家Python程序設(shè)計有所幫助。
相關(guān)文章
簡單了解python gevent 協(xié)程使用及作用
這篇文章主要介紹了簡單了解python gevent 協(xié)程,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-07-07
Python?enumerate()計數(shù)器簡化循環(huán)
這篇文章主要介紹了Python?enumerate()計數(shù)器簡化循環(huán),enumerate()最大的優(yōu)點(diǎn)就是它返回一個帶有計數(shù)器和值的元組,因此我們不必自己增加計數(shù)器,下面就來看看文章具體對它的詳細(xì)介紹吧,需要的朋友可以參考一下2021-12-12
pyecharts繪制各種數(shù)據(jù)可視化圖表案例附效果+代碼
這篇文章主要介紹了pyecharts繪制各種數(shù)據(jù)可視化圖表案例并附效果和代碼,文章圍繞主題展開詳細(xì)的內(nèi)容介紹,感興趣的小伙伴可以參考一下2022-06-06
python網(wǎng)絡(luò)爬蟲精解之pyquery的使用說明
PyQuery是一個類似于jQuery的解析網(wǎng)頁工具,使用lxml操作xml和html文檔,它的語法和jQuery很像。和XPATH,Beautiful Soup比起來,PyQuery更加靈活,提供增加節(jié)點(diǎn)的class信息,移除某個節(jié)點(diǎn),提取文本信息等功能2021-09-09
Python通過PIL獲取圖片主要顏色并和顏色庫進(jìn)行對比的方法
這篇文章主要介紹了Python通過PIL獲取圖片主要顏色并和顏色庫進(jìn)行對比的方法,實例分析了Python通過PIL模塊操作圖片的技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-03-03
Nginx搭建HTTPS服務(wù)器和強(qiáng)制使用HTTPS訪問的方法
這篇文章主要介紹了Nginx搭建HTTPS服務(wù)器和強(qiáng)制使用HTTPS訪問的方法,即從HTTP跳轉(zhuǎn)到HTTPS,需要的朋友可以參考下2015-08-08

