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來說設置窗口大小很關鍵,如果不設置,經(jīng)常會出現(xiàn)問題 # driver.set_window_size(1920, 1080) # 設置瀏覽器窗口大小 # 模擬在淘寶網(wǎng)頁中輸入關鍵字搜索 def search(): print("準備搜索 %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、標題、成交量、店鋪名稱、店鋪位置并將結果保存在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 瀏覽器能正常關閉 driver.close()
備注:
PhantomJS無界面瀏覽器打開的窗口默認大小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
更多關于Python相關內(nèi)容可查看本站專題:《Python Socket編程技巧總結》、《Python正則表達式用法總結》、《Python數(shù)據(jù)結構與算法教程》、《Python函數(shù)使用技巧總結》、《Python字符串操作技巧匯總》、《Python入門與進階經(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程序設計有所幫助。
相關文章
python虛擬環(huán)境virtualenv的安裝與使用
virtualenv用于創(chuàng)建獨立的Python環(huán)境,多個Python相互獨立,互不影響,它能夠:1. 在沒有權限的情況下安裝新套件 2. 不同應用可以使用不同的套件版本 3. 套件升級不影響其他應用2017-09-09Python使用itchat模塊實現(xiàn)群聊轉(zhuǎn)發(fā),自動回復功能示例
這篇文章主要介紹了Python使用itchat模塊實現(xiàn)群聊轉(zhuǎn)發(fā),自動回復功能,結合實例形式分析了Python基于itchat模塊針對微信信息的發(fā)送、回復等相關操作技巧,需要的朋友可以參考下2019-08-08numpy array找出符合條件的數(shù)并賦值的示例代碼
本文主要介紹了numpy array找出符合條件的數(shù)并賦值的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2022-05-05學習Python selenium自動化網(wǎng)頁抓取器
本篇文章給大家介紹了Python selenium自動化網(wǎng)頁抓取器的實例應用以及知識點分析,有需要的參考學習下。2018-01-01150行Python代碼實現(xiàn)帶界面的數(shù)獨游戲
這篇文章主要介紹了150行Python代碼實現(xiàn)帶界面的數(shù)獨游戲,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2020-04-04Python cookbook(數(shù)據(jù)結構與算法)從序列中移除重復項且保持元素間順序不變的方法
這篇文章主要介紹了Python cookbook(數(shù)據(jù)結構與算法)從序列中移除重復項且保持元素間順序不變的方法,涉及Python針對列表與字典的元素遍歷、判斷、去重、排序等相關操作技巧,需要的朋友可以參考下2018-03-03python已協(xié)程方式處理任務實現(xiàn)過程
這篇文章主要介紹了python已協(xié)程方式處理任務實現(xiàn)過程,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-12-12python爬取之json、pickle與shelve庫的深入講解
這篇文章主要給大家介紹了關于python爬取之json、pickle與shelve庫的相關資料,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2021-03-03