selenium爬虫淘宝

Chysial

声明：1.可以采用我这里的cookie模拟登陆，用二维码扫描；2.翻页等都可以采用我这模块内容；3.但是我电脑太弱加网速太差(保存cookie我就用了50s，单独在idle运行爬取，直接死机)，我最后查找结果是没有出来的，自己试试吧，我不保证

from selenium import webdriver
import time
import json
import re
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.common.exceptions import TimeoutException, NoSuchElementException
from pyquery import PyQuery as pq
from config import *
import pymongo

#这里配置了一个MongoDB可以不需要，因为需要把MongoDB配置成服务器，还有config.py，以及MongoDB可视化Robomongo都是要下载的
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
#现在PhantomJS会出现warning，单个使用的话用建议用Chrome，需要配置驱动，具体是将PhantomJS和python.exe放到一起
'''browser = webdriver.PhantomJS(service_args= SERVICE_ARGS)'''
#这个是google的配置，要根据Chrome配置好驱动，和python.exe放到一起
chrome_driver = r'C:\Users\Chysial\AppData\Local\Google\Chrome\Application\chromedriver.exe'
browser  = webdriver.Chrome(chrome_driver)

wait = WebDriverWait(browser,10)
browser.set_window_size(1400,900)
browser.get('https://www.taobao.com/')
def get_cookies(browser):
    #家里网速不好，时间根据网速自己改，最好用二维码扫描。没有expiry，cookies没有时限，不然就需要修改了
    time.sleep(50)
    with open('C:\\Users\\Chysial\\Desktop\\cookies.txt','w') as cookief:
        cookief.write(json.dumps(browser.get_cookies()))
    browser.close()
def open_chrome(browser):
    browser.delete_all_cookies()
    with open('C:\\Users\\Chysial\\Desktop\\cookies.txt') as cookief:
        cookieslist = json.load(cookief)
        for cookies in cookieslist:
            browser.add_cookie(cookies)

def search():
    try:
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR ,'#q'))
        )
        submit = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR ,'#J_TSearchForm > div.search-button > button'))
        )
        input.send_keys("动漫周边")
        submit.click()
        total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total'))
        )
        get_products()
        return total.text
    except TimeoutException:
        return search()

def next_page(page_number):
    try:
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))
        )
        submit = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))
        )
        input.clear()
        input.send_keys(page_number)
        submit.click()
        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)))
        get_products()

    except TimeoutException:
        next_page(page_number)

def get_products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-item .items .item')))
    html = browser.page_source
    doc = pq(html)
    items = doc('#mainsrp-item .items .item').items()
    for item in items:
        product = {
            'imgage' : item.find('.pic .img').attr('scr'),
            '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)
        save_to_mongo(product)
def save_to_mongo(rusult):
    try:
        if db[MONGO_TABLE].insert(result):
            print('保存成功')
    except Exception :
        print('保存MongoDB错误',result)
def main():
    # 运行一次就行了，我这里就不重复了get_cookies(browser)
    '''get_cookies(browser)'''
    open_chrome(browser)
    browser.refresh()
    total = search()
    total = int(re.compile('(\d+)').search(total).group(1))
    for i in range(2,total + 1):
        next_page(i)
    browser.close()
if __name__ == '__main__':
    main()

#在项目文件下，配置的config.py文件
'''MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = "product"
SERVICE_ARGS= ['--load-images = false','--disk-cache = true']'''

chengkafu

很不错，谢谢楼主！！