本文实例讲述了Python使用Selenium模块实现模拟浏览器抓取淘宝商品美食信息功能。分享给大家供大家参考,具体如下:
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 命令行相关配置 # 参见 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) # 无界面 delay = 10 wait = WebDriverWait(driver, delay) # print('windows size', driver.get_window_size()) # PhantomJs()的浏览器窗口很小,宽高只有400 * 300 driver.maximize_window() # 窗口最大化 # 对于PhantomJS来说设置窗口大小很关键,如果不设置,经常会出现问题 # driver.set_window_size(1920, 1080) # 设置浏览器窗口大小 # 模拟在淘宝网页中输入关键字搜索 def search(): print("准备搜索 %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超时", KEYWORD) print("重新尝试搜索: %s", KEYWORD) search() # 根据页码获取指定页数据,并将其保存到数据库中 def get_page(page_num): print("正在获取第%d页数据" % 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("请求第%d页失败" % page_num) print("尝试重新获取第%d页" % page_num) return get_page(page_num) def get_goods_by_pyquery(): ''' 通过pyquery库解析数据 获取商品的图片url、价格、标题、成交量、店铺名称、店铺位置 ''' 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属性,获取的图片地址很多是.gif图片,而非真实商品图片, '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(), } # 通过bs4解析数据 def get_goods_by_beautifulsoup(): ''' 通过bs4库解析数据 获取商品的图片url、价格、标题、成交量、店铺名称、店铺位置 ''' 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支持插入多条数据 print("mongodb插入数据成功:", item) except PyMongoError as e: print("mongodb插入数据失败:", item, e) # 获取淘宝美食的图片url、价格、标题、成交量、店铺名称、店铺位置并将结果保存在mongodb数据库中 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("出错了", e) finally: # 确保 浏览器能正常关闭 driver.close()
备注:
PhantomJS无界面浏览器打开的窗口默认大小400*300, 往往不能将网页加载完全,会给提取数据造成很大的困难,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()
设置指定大小
可能会出现的异常:
raise TimeoutException(message, screen, stacktrace)
selenium.common.exceptions.TimeoutException: Message:
Screenshot: available via screen
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
暂无评论...
稳了!魔兽国服回归的3条重磅消息!官宣时间再确认!
昨天有一位朋友在大神群里分享,自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址,com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后,确实是网易的网址,也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情,因为以前都没有出现这样的情况,现在突然提示跳转到国服战网的网址,是不是说明了简体中文客户端已经开始进行更新了呢?
更新日志
2024年11月26日
2024年11月26日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]