[Python3网络爬虫开发实战] 7-动态渲染页面爬取-4-使用Selenium爬取淘宝商品

在前一章中，咱们已经成功尝试分析Ajax来抓取相关数据，可是并非全部页面均可以经过分析Ajax来完成抓取。好比，淘宝，它的整个页面数据确实也是经过Ajax获取的，可是这些Ajax接口参数比较复杂，可能会包含加密密钥等，因此若是想本身构造Ajax参数，仍是比较困难的。对于这种页面，最方便快捷的抓取方法就是经过Selenium。本节中，咱们就用Selenium来模拟浏览器操做，抓取淘宝的商品信息，并将结果保存到MongoDB。

1. 本节目标

本节中，咱们要利用Selenium抓取淘宝商品并用pyquery解析获得商品的图片、名称、价格、购买人数、店铺名称和店铺所在地信息，并将其保存到MongoDB。

2. 准备工做

本节中，咱们首先以Chrome为例来说解Selenium的用法。在开始以前，请确保已经正确安装好Chrome浏览器并配置好了ChromeDriver；另外，还须要正确安装Python的Selenium库；最后，还对接了PhantomJS和Firefox，请确保安装好PhantomJS和Firefox并配置好了GeckoDriver。若是环境没有配置好，可参考第1章。

3. 接口分析

首先，咱们来看下淘宝的接口，看看它比通常Ajax多了怎样的内容。

打开淘宝页面，搜索商品，好比iPad，此时打开开发者工具，截获Ajax请求，咱们能够发现获取商品列表的接口，如图7-19所示。

图7-19 列表接口

它的连接包含了几个GET参数，若是要想构造Ajax连接，直接请求再好不过了，它的返回内容是JSON格式，如图7-20所示。

图7-20 JSON数据

可是这个Ajax接口包含几个参数，其中_ksTS、rn参数不能直接发现其规律，若是要去探寻它的生成规律，也不是作不到，但这样相对会比较烦琐，因此若是直接用Selenium来模拟浏览器的话，就不须要再关注这些接口参数了，只要在浏览器里面能够看到的，均可以爬取。这也是咱们选用Selenium爬取淘宝的缘由。

4. 页面分析

本节的目标是爬取商品信息。图7-21是一个商品条目，其中包含商品的基本信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地，咱们要作的就是将这些信息都抓取下来。

图7-21 商品条目

抓取入口就是淘宝的搜索页面，这个连接能够经过直接构造参数访问。例如，若是搜索iPad，就能够直接访问s.taobao.com/search?q=iP…，呈现的就是第一页的搜索结果，如图7-22所示。

图7-22 搜索结果

在页面下方，有一个分页导航，其中既包括前5页的连接，也包括下一页的连接，同时还有一个输入任意页码跳转的连接，如图7-23所示。

图7-23 分页导航

这里商品的搜索结果通常最大都为100页，要获取每一页的内容，只须要将页码从1到100顺序遍历便可，页码数是肯定的。因此，直接在页面跳转文本框中输入要跳转的页码，而后点击“肯定”按钮便可跳转到页码对应的页面。

这里不直接点击“下一页”的缘由是：一旦爬取过程当中出现异常退出，好比到50页退出了，此时点击“下一页”时，就没法快速切换到对应的后续页面了。此外，在爬取过程当中，也须要记录当前的页码数，并且一旦点击“下一页”以后页面加载失败，还须要作异常检测，检测当前页面是加载到了第几页。整个流程相对比较复杂，因此这里咱们直接用跳转的方式来爬取页面。

当咱们成功加载出某一页商品列表时，利用Selenium便可获取页面源代码，而后再用相应的解析库解析便可。这里咱们选用pyquery进行解析。下面咱们用代码来实现整个抓取过程。

5. 获取商品列表

首先，须要构造一个抓取的URL：s.taobao.com/search?q=iP…。这个URL很是简洁，参数q就是要搜索的关键字。只要改变这个参数，便可获取不一样商品的列表。这里咱们将商品的关键字定义成一个变量，而后构造出这样的一个URL。

而后，就须要用Selenium进行抓取了。咱们实现以下抓取列表页的方法：

12345678910111213141516171819202122232425262728293031323334from selenium import webdriverfrom selenium.common.exceptions import TimeoutExceptionfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.support.wait import WebDriverWaitfrom urllib.parse import quote browser = webdriver.Chrome()wait = WebDriverWait(browser, 10)KEYWORD = 'iPad' def index_page(page):    """ 抓取索引页 :param page: 页码 """    print('正在爬取第', page, '页')    try:        url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)        browser.get(url)        if page > 1:            input = wait.until(                EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))            submit = wait.until(                EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')))            input.clear()            input.send_keys(page)            submit.click()        wait.until(            EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))        get_products()    except TimeoutException:        index_page(page)复制代码

这里首先构造了一个WebDriver对象，使用的浏览器是Chrome，而后指定一个关键词，如iPad，接着定义了index_page()方法，用于抓取商品列表页。

在该方法里，咱们首先访问了搜索商品的连接，而后判断了当前的页码，若是大于1，就进行跳页操做，不然等待页面加载完成。

等待加载时，咱们使用了WebDriverWait对象，它能够指定等待条件，同时指定一个最长等待时间，这里指定为最长10秒。若是在这个时间内成功匹配了等待条件，也就是说页面元素成功加载出来了，就当即返回相应结果并继续向下执行，不然到了最大等待时间尚未加载出来时，就直接抛出超时异常。

好比，咱们最终要等待商品信息加载出来，就指定了presence_of_element_located这个条件，而后传入了.m-itemlist .items .item这个选择器，而这个选择器对应的页面内容就是每一个商品的信息块，能够到网页里面查看一下。若是加载成功，就会执行后续的get_products()方法，提取商品信息。

关于翻页操做，这里首先获取页码输入框，赋值为input，而后获取“肯定”按钮，赋值为submit，分别是图7-24中的两个元素。

图7-24 跳转选项

首先，咱们清空了输入框，此时调用clear()方法便可。随后，调用send_keys()方法将页码填充到输入框中，而后点击“肯定”按钮便可。

那么，怎样知道有没有跳转到对应的页码呢？咱们能够注意到，成功跳转某一页后，页码都会高亮显示，如图7-25所示。

图7-25 页码高亮显示

咱们只须要判断当前高亮的页码数是当前的页码数便可，因此这里使用了另外一个等待条件text_to_be_present_in_element，它会等待指定的文本出如今某一个节点里面时即返回成功。这里咱们将高亮的页码节点对应的CSS选择器和当前要跳转的页码经过参数传递给这个等待条件，这样它就会检测当前高亮的页码节点是否是咱们传过来的页码数，若是是，就证实页面成功跳转到了这一页，页面跳转成功。

这样刚才实现的index_page()方法就能够传入对应的页码，待加载出对应页码的商品列表后，再去调用get_products()方法进行页面解析。

6. 解析商品列表

接下来，咱们就能够实现get_products()方法来解析商品列表了。这里咱们直接获取页面源代码，而后用pyquery进行解析，实现以下：

12345678910111213141516171819from pyquery import PyQuery as pqdef get_products():    """ 提取商品数据 """    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('data-src'),            'price': item.find('.price').text(),            'deal': item.find('.deal-cnt').text(),            'title': item.find('.title').text(),            'shop': item.find('.shop').text(),            'location': item.find('.location').text()        }        print(product)        save_to_mongo(product)复制代码

首先，调用page_source属性获取页码的源代码，而后构造了PyQuery解析对象，接着提取了商品列表，此时使用的CSS选择器是#mainsrp-itemlist .items .item，它会匹配整个页面的每一个商品。它的匹配结果是多个，因此这里咱们又对它进行了一次遍历，用for循环将每一个结果分别进行解析，每次循环把它赋值为item变量，每一个item变量都是一个PyQuery对象，而后再调用它的find()方法，传入CSS选择器，就能够获取单个商品的特定内容了。

好比，查看一下商品信息的源码，如图7-26所示。

图7-26 商品信息源码

能够发现，它是一个img节点，包含id、class、data-src、alt和src等属性。这里之因此能够看到这张图片，是由于它的src属性被赋值为图片的URL。把它的src属性提取出来，就能够获取商品的图片了。不过咱们还注意data-src属性，它的内容也是图片的URL，观察后发现此URL是图片的完整大图，而src是压缩后的小图，因此这里抓取data-src属性来做为商品的图片。

所以，咱们须要先利用find()方法找到图片的这个节点，而后再调用attr()方法获取商品的data-src属性，这样就成功提取了商品图片连接。而后用一样的方法提取商品的价格、成交量、名称、店铺和店铺所在地等信息，接着将全部提取结果赋值为一个字典product，随后调用save_to_mongo()将其保存到MongoDB便可。

7. 保存到MongoDB

接下来，咱们将商品信息保存到MongoDB，实现代码以下：

123456789101112131415MONGO_URL = 'localhost'MONGO_DB = 'taobao'MONGO_COLLECTION = 'products'client = pymongo.MongoClient(MONGO_URL)db = client[MONGO_DB]def save_to_mongo(result):    """ 保存至MongoDB :param result: 结果 """    try:        if db[MONGO_COLLECTION].insert(result):            print('存储到MongoDB成功')    except Exception:        print('存储到MongoDB失败')复制代码

这里首先建立了一个MongoDB的链接对象，而后指定了数据库，随后指定了Collection的名称，接着直接调用insert()方法将数据插入到MongoDB。此处的result变量就是在get_products()方法里传来的product，包含单个商品的信息。

8. 遍历每页

刚才咱们所定义的get_index()方法须要接收参数page，page表明页码。这里咱们实现页码遍历便可，代码以下：

1234567MAX_PAGE = 100def main():    """ 遍历每一页 """    for i in range(1, MAX_PAGE + 1):        index_page(i)复制代码

其实现很是简单，只须要调用一个for循环便可。这里定义最大的页码数为100，range()方法的返回结果就是1到100的列表，顺序遍历，调用index_page()方法便可。

这样咱们的淘宝商品爬虫就完成了，最后调用main()方法便可运行。

9. 运行

运行代码，能够发现首先会弹出一个Chrome浏览器，而后会访问淘宝页面，接着控制台便会输出相应的提取结果，如图7-27所示。

图7-27 运行结果

能够发现，这些商品信息的结果都是字典形式，它们被存储到MongoDB里面。

再看一下MongoDB中的结果，如图7-28所示。

图7-28 保存结果

能够看到，全部的信息都保存到MongoDB里了，这说明爬取成功。

10. Chrome Headless模式

从Chrome 59版本开始，已经开始支持Headless模式，也就是无界面模式，这样爬取的时候就不会弹出浏览器了。若是要使用此模式，请把Chrome升级到59版本及以上。启用Headless模式的方式以下：

1 2 3

chrome_options = webdriver.ChromeOptions() chrome_options.add_argument('--headless') browser = webdriver.Chrome(chrome_options=chrome_options)

首先，建立ChromeOptions对象，接着添加headless参数，而后在初始化Chrome对象的时候经过chrome_options传递这个ChromeOptions对象，这样咱们就能够成功启用Chrome的Headless模式了。

11. 对接Firefox

要对接Firefox浏览器，很是简单，只须要更改一处便可：

1	browser = webdriver.Firefox()

这里更改了browser对象的建立方式，这样爬取的时候就会使用Firefox浏览器了。

12. 对接PhantomJS

若是不想使用Chrome的Headless模式，还可使用PhantomJS（它是一个无界面浏览器）来抓取。抓取时，一样不会弹出窗口，仍是只须要将WebDriver的声明修改一下便可：

1	browser = webdriver.PhantomJS()

另外，它还支持命令行配置。好比，能够设置缓存和禁用图片加载的功能，进一步提升爬取效率：

1 2	SERVICE_ARGS = ['--load-images=false', '--disk-cache=true'] browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)

最后，给出本节的代码地址：github.com/Python3WebS…。

本节中，咱们用Selenium演示了淘宝页面的抓取。利用它，咱们不用去分析Ajax请求，真正作到可见便可爬。

视频学习资源：

• 本身动手，丰衣足食！Python3网络爬虫实战案例
• Python3爬虫三大案例实战分享

本书以后的部份内容属进阶内容，暂不开放。

如需查看更多能够购买电子版或实体书籍查看。

本书由图灵教育-人民邮电出版社出版发行。

全书预览图：

预览连接为：

germey.gitbooks.io/python3webs…

书籍购买地址：

item.jd.com/26114674847…

item.jd.com/26124473455…

本资源首发于崔庆才的我的博客静觅： Python3网络爬虫开发实战教程 | 静觅

如想了解更多爬虫资讯，请关注个人我的微信公众号：进击的Coder

weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)