使用selenium抓取淘宝的商品信息实例

import refrom selenium import webdriverfrom selenium.common.exceptions import TimeoutExceptionfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom pyquery import PyQuery as pq'''wait.until()语句是selenum里面的显示等待，wait是一个WebDriverWait对象，它设置了等待时间，如果页面在等待时间内没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,也可以说程序每隔xx秒看一眼，如果条件成立了，则执行下一步，否则继续等待，直到超过设置的最长时间，然后抛出TimeoutException1.presence_of_element_located 元素加载出，传入定位元组，如(By.ID, 'p')2.element_to_be_clickable 元素可点击3.text_to_be_present_in_element 某个元素文本包含某文字'''# 定义一个无界面的浏览器browser = webdriver.PhantomJS( service_args=[  '--load-images=false',  '--disk-cache=true'])# 10s无响应就down掉wait = WebDriverWait(browser, 10)#虽然无界面但是必须要定义窗口browser.set_window_size(1400, 900)def search(): ''' 此函数的作用为完成首页点击搜索的功能，替换标签可用于其他网页使用 :return: ''' print('正在搜索') try:  #访问页面  browser.get('https://www.taobao.com')  # 选择到淘宝首页的输入框  input = wait.until(   EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))  )  #搜索的那个按钮  submit = wait.until(EC.element_to_be_clickable(   (By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))  #send_key作为写到input的内容  input.send_keys('面条')  #执行点击搜索的操作  submit.click()  #查看到当前的页码一共是多少页  total = wait.until(EC.presence_of_element_located(   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))  #获取所有的商品  get_products()  #返回总页数  return total.text except TimeoutException:  return search()def next_page(page_number): ''' 翻页函数， :param page_number: :return: ''' print('正在翻页', page_number) try:  #这个是我们跳转页的输入框  input = wait.until(EC.presence_of_element_located(   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))  #跳转时的确定按钮  submit = wait.until(   EC.element_to_be_clickable(    (By.CSS_SELECTOR,     '#mainsrp-pager > div > div > div > div.form > span.J_Submit')))  #清除里面的数字  input.clear()  #重新输入数字  input.send_keys(page_number)  #选择并点击  submit.click()  #判断当前页是不是我们要现实的页  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)))  #调用函数获取商品信息  get_products() #捕捉超时，重新进入翻页的函数 except TimeoutException:  next_page(page_number)def get_products(): ''' 搜到页面信息在此函数在爬取我们需要的信息 :return: ''' #每一个商品标签，这里是加载出来以后才会拿网页源代码 wait.until(EC.presence_of_element_located(  (By.CSS_SELECTOR, '#mainsrp-itemlist .items .item'))) #这里拿到的是整个网页源代码 html = browser.page_source #pq解析网页源代码 doc = pq(html) items = doc('#mainsrp-itemlist .items .item').items() for item in items:  # print(item)  product = {   'image': item.find('.pic .img').attr('src'),   '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)def main(): try:  #第一步搜索  total = search()  #int类型刚才找到的总页数标签，作为跳出循环的条件  total = int(re.compile('(/d+)').search(total).group(1))  #只要后面还有就继续爬，继续翻页  for i in range(2, total + 1):   next_page(i) except Exception:  print('出错啦') finally:  #关闭浏览器  browser.close()if __name__ == '__main__': main()