詳解Python如何批量采集京東商品數(shù)據(jù)流程

更新時(shí)間：2022年01月21日 15:31:59 作者：輕松學(xué)Python

這不快過年了，又是要買年貨，又是要給女朋友買禮物的，分析一下價(jià)格，看看哪些是真的降價(jià)了

準(zhǔn)備工作

驅(qū)動(dòng)安裝

實(shí)現(xiàn)案例之前，我們要先安裝一個(gè)谷歌驅(qū)動(dòng)，因?yàn)槲覀兪鞘褂胹elenium 操控谷歌驅(qū)動(dòng)，然后操控瀏覽器實(shí)現(xiàn)自動(dòng)操作的，模擬人的行為去操作瀏覽器。

以谷歌瀏覽器為例，打開瀏覽器看下我們自己的版本，然后下載跟自己瀏覽器版本一樣或者最相近的版本，下載后解壓一下，把解壓好的插件放到我們的python環(huán)境里面，或者和代碼放到一起也可以。

模塊使用與介紹

selenium pip install selenium ，直接輸入selenium的話是默認(rèn)安裝最新的，selenium后面加上版本號就是安裝對應(yīng)的的版本；
csv 內(nèi)置模塊，不需要安裝，把數(shù)據(jù)保存到Excel表格用的；
time 內(nèi)置模塊，不需要安裝，時(shí)間模塊，主要用于延時(shí)等待；

流程解析

我們訪問一個(gè)網(wǎng)站，要輸入一個(gè)網(wǎng)址，所以代碼也是這么寫的。

首先導(dǎo)入模塊

from selenium import webdriver

文件名或者包名不要命名為selenium，會(huì)導(dǎo)致無法導(dǎo)入。 webdriver可以認(rèn)為是瀏覽器的驅(qū)動(dòng)器，要驅(qū)動(dòng)瀏覽器必須用到webdriver，支持多種瀏覽器。

實(shí)例化瀏覽器對象，我這里用的是谷歌，建議大家用谷歌，方便一點(diǎn)。

driver = webdriver.Chrome()

我們用get訪問一個(gè)網(wǎng)址，自動(dòng)打開網(wǎng)址。

driver.get('https://www.jd.com/')

運(yùn)行一下

打開網(wǎng)址后，以買口紅為例。

我們首先要通過你想購買的商品關(guān)鍵字來搜索得到商品信息，用搜索結(jié)果去獲取信息。

那我們也要寫一個(gè)輸入，空白處點(diǎn)擊右鍵，選擇檢查。

選擇element 元素面板

鼠標(biāo)點(diǎn)擊左邊的箭頭按鈕，去點(diǎn)擊搜索框，它就會(huì)直接定位到搜索標(biāo)簽。

在標(biāo)簽上點(diǎn)擊右鍵，選擇copy，選擇copy selector 。

如果你是xpath ，就copy它的xpath 。

然后把我們想要搜索的內(nèi)容寫出來

driver.find_element_by_css_selector('#key').send_keys('口紅')

再運(yùn)行的時(shí)候，它就會(huì)自動(dòng)打開瀏覽器進(jìn)入目標(biāo)網(wǎng)址搜索口紅。

同樣的方法，找到搜索按鈕進(jìn)行點(diǎn)擊。

driver.find_element_by_css_selector('.button').click()

再運(yùn)行就會(huì)自動(dòng)點(diǎn)擊搜索了

頁面搜索出來了，那么咱們正常瀏覽網(wǎng)頁是要下拉網(wǎng)頁對吧，咱們讓它自動(dòng)下拉就好了。先導(dǎo)入time模塊

import time

執(zhí)行頁面滾動(dòng)的操作

def drop_down():
    """執(zhí)行頁面滾動(dòng)的操作"""  # javascript
    for x in range(1, 12, 2):  # for循環(huán)下拉次數(shù)，取1 3 5 7 9 11， 在你不斷的下拉過程中, 頁面高度也會(huì)變的；
        time.sleep(1)
        j = x / 9  # 1/9  3/9  5/9  9/9
        # document.documentElement.scrollTop  指定滾動(dòng)條的位置
        # document.documentElement.scrollHeight 獲取瀏覽器頁面的最大高度
        js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
        driver.execute_script(js)  # 執(zhí)行我們JS代碼

循環(huán)寫好了，然后調(diào)用一下。

drop_down()

我們再給它來個(gè)延時(shí)

driver.implicitly_wait(10)

這是一個(gè)隱式等待，等待網(wǎng)頁延時(shí)，網(wǎng)不好的話加載很慢。

隱式等待不是必須等十秒，在十秒內(nèi)你的網(wǎng)絡(luò)加載好后，它隨時(shí)會(huì)加載，十秒后沒加載出來的話才會(huì)強(qiáng)行加載。

還有另外一種死等的，你寫的幾秒就等幾秒，相對沒有那么人性化。

time.sleep(10)

加載完數(shù)據(jù)后我們需要去找商品數(shù)據(jù)來源

價(jià)格/標(biāo)題/評價(jià)/封面/店鋪等等

還是鼠標(biāo)右鍵點(diǎn)擊檢查，在element ，點(diǎn)擊小箭頭去點(diǎn)擊你想查看的數(shù)據(jù)。

可以看到都在li標(biāo)簽里面

獲取所有的 li 標(biāo)簽內(nèi)容，還是一樣的，直接copy 。

在左下角就有了

這里表示的是取的第一個(gè)，但是我們是要獲取所有的標(biāo)簽，所以左邊框框里 li 后面的可以刪掉不要。

不要的話，可以看到這里是60個(gè)商品數(shù)據(jù)，一頁是60個(gè)。

所以我們把剩下的復(fù)制過來, 用lis接收一下。

lis = driver.find_elements_by_css_selector('#J_goodsList ul li')

因?yàn)槲覀兪谦@取所有的標(biāo)簽數(shù)據(jù)，所以比之前多了一個(gè)s

打印一下

print(lis)

通過lis返回?cái)?shù)據(jù) 列表 [] 列表里面的元素 <> 對象

遍歷一下，把所有的元素拿出來。

for li in lis:

    title = li.find_element_by_css_selector('.p-name em').text.replace('\n', '')  # 商品標(biāo)題 獲取標(biāo)簽文本數(shù)據(jù)
    price = li.find_element_by_css_selector('.p-price strong i').text  # 價(jià)格
    commit = li.find_element_by_css_selector('.p-commit strong a').text  # 評論量
    shop_name = li.find_element_by_css_selector('.J_im_icon a').text  # 店鋪名字
    href = li.find_element_by_css_selector('.p-img a').get_attribute('href')  # 商品詳情頁
    icons = li.find_elements_by_css_selector('.p-icons i')
    icon = ','.join([i.text for i in icons])  # 列表推導(dǎo)式  ','.join 以逗號把列表中的元素拼接成一個(gè)字符串?dāng)?shù)據(jù)
    dit = {
        '商品標(biāo)題': title,
        '商品價(jià)格': price,
        '評論量': commit,
        '店鋪名字': shop_name,
        '標(biāo)簽': icon,
        '商品詳情頁': href,
    }
    csv_writer.writerow(dit)
    print(title, price, commit, href, icon, sep=' | ')

搜索功能

key_world = input('請輸入你想要獲取商品數(shù)據(jù): ')

要獲取的數(shù)據(jù) ，獲取到后保存CSV

f = open(f'京東{key_world}商品數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '商品標(biāo)題',
    '商品價(jià)格',
    '評論量',
    '店鋪名字',
    '標(biāo)簽',
    '商品詳情頁',
])
csv_writer.writeheader()

然后再寫一個(gè)自動(dòng)翻頁

for page in range(1, 11):
    print(f'正在爬取第{page}頁的數(shù)據(jù)內(nèi)容')
    time.sleep(1)
    drop_down()
    get_shop_info()  # 下載數(shù)據(jù)
    driver.find_element_by_css_selector('.pn-next').click()  # 點(diǎn)擊下一頁

完整代碼

from selenium import webdriver
import time
import csv


def drop_down():
    """執(zhí)行頁面滾動(dòng)的操作"""  
    for x in range(1, 12, 2):  
        time.sleep(1)
        j = x / 9  # 1/9  3/9  5/9  9/9
        # document.documentElement.scrollTop  指定滾動(dòng)條的位置
        # document.documentElement.scrollHeight 獲取瀏覽器頁面的最大高度
        js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
        driver.execute_script(js)  # 執(zhí)行JS代碼


key_world = input('請輸入你想要獲取商品數(shù)據(jù): ')

f = open(f'京東{key_world}商品數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '商品標(biāo)題',
    '商品價(jià)格',
    '評論量',
    '店鋪名字',
    '標(biāo)簽',
    '商品詳情頁',
])
csv_writer.writeheader()

# 實(shí)例化一個(gè)瀏覽器對象

driver = webdriver.Chrome()
driver.get('https://www.jd.com/')  # 訪問一個(gè)網(wǎng)址 打開瀏覽器 打開網(wǎng)址
# 通過css語法在element(元素面板)里面查找 #key 某個(gè)標(biāo)簽數(shù)據(jù) 輸入一個(gè)關(guān)鍵詞 口紅
driver.find_element_by_css_selector('#key').send_keys(key_world)  # 找到輸入框標(biāo)簽
driver.find_element_by_css_selector('.button').click()  # 找到搜索按鈕 進(jìn)行點(diǎn)擊
# time.sleep(10) # 等待 
# driver.implicitly_wait(10)  # 隱式等待 

def get_shop_info():
    # 第一步 獲取所有的li標(biāo)簽內(nèi)容
    driver.implicitly_wait(10)
    lis = driver.find_elements_by_css_selector('#J_goodsList ul li')  # 獲取多個(gè)標(biāo)簽
    # 返回?cái)?shù)據(jù) 列表 [] 列表里面的元素 <> 對象
    # print(len(lis))
    for li in lis:

        title = li.find_element_by_css_selector('.p-name em').text.replace('\n', '')  # 商品標(biāo)題 獲取標(biāo)簽文本數(shù)據(jù)
        price = li.find_element_by_css_selector('.p-price strong i').text  # 價(jià)格
        commit = li.find_element_by_css_selector('.p-commit strong a').text  # 評論量
        shop_name = li.find_element_by_css_selector('.J_im_icon a').text  # 店鋪名字
        href = li.find_element_by_css_selector('.p-img a').get_attribute('href')  # 商品詳情頁
        icons = li.find_elements_by_css_selector('.p-icons i')
        icon = ','.join([i.text for i in icons])  # 列表推導(dǎo)式  ','.join 以逗號把列表中的元素拼接成一個(gè)字符串?dāng)?shù)據(jù)
        dit = {
            '商品標(biāo)題': title,
            '商品價(jià)格': price,
            '評論量': commit,
            '店鋪名字': shop_name,
            '標(biāo)簽': icon,
            '商品詳情頁': href,
        }
        csv_writer.writerow(dit)
        print(title, price, commit, href, icon, sep=' | ')
        # print(href)


for page in range(1, 11):
    print(f'正在爬取第{page}頁的數(shù)據(jù)內(nèi)容')
    time.sleep(1)
    drop_down()
    get_shop_info()  # 下載數(shù)據(jù)
    driver.find_element_by_css_selector('.pn-next').click()  # 點(diǎn)擊下一頁

driver.quit()  # 關(guān)閉瀏覽器