PYTHON 爬虫笔记十:利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB（实战项目三）

利用selenium+PyQuery实现淘宝美食数据搜集并保存至MongeDB

• 目标站点分析

1. 淘宝页面信息很复杂的，含有各种请求参数和加密参数，如果直接请求或者分析Ajax请求的话会很繁琐。所以我们可以用Selenium来驱动浏览器模拟点击来爬取淘宝的信息。这样我们只要关系操作，不用关心后台发生了怎样的请求。这样有个好处是：可以直接获取网页渲染后的源代码。输出 page_source 属性即可。

2. 这样，我们就可以做到网页的动态爬取了。缺点是速度相比之下比较慢。

• 流程框架

• 

• 爬虫实战

1. spider详情页

   import pymongo
   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 pyquery import PyQuery as pq
   from config import *
   import pymongo
   
   client = pymongo.MongoClient(MONGO_URL)
   db = client[MONGO_DB]
   
   #browser = webdriver.Chrome()
   browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)    #创建PhantomJS浏览器
   wait = WebDriverWait(browser, 10)
   
   browser.set_window_size(1400,900)
   def search():       #请求页面
       print('正在搜索。。。')
       try:
           browser.get('https://world.taobao.com/')   #请求淘宝首页
           input = wait.until(
               EC.presence_of_element_located((By.CSS_SELECTOR, '#mq'))
           )
           submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_PopSearch > div.sb-search > div > form > input[type="submit"]:nth-child(2)')))
           input.send_keys(KEYWORD)
           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 TimeoutError:
           total = search()
           print(total)
   
   def next_page(page_number): #翻页操作
       print('正在翻页。。。',page_number)
       try:
           input = wait.until(
               EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))#判断页面是否加载出输入框
           )
           submit = wait.until(EC.element_to_be_clickable(
               (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))  #判断是否加载出搜索按钮
           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)))
                       #在做结果判断的时候，经常想判断某个元素中是否存在指定的文本，
           get_products()
       except TimeoutError:
           next_page(page_number)
   
   def get_products():
       wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
       html = browser.page_source      #获取详情页html代码
       doc = pq(html)      #创建一个Pyquery对象
       items = doc('#mainsrp-itemlist .items .item').items()  #css选择器获取所以items ，调用items方法取得所取的内容
       for item in items:
           producet = {
               'title': item.find('.title').text(),
               'location': item.find('.location').text(),
               'price':item.find('.price').text(),
               'deal':item.find('.deal-cnt').text()[:-3],
               'shop':item.find('.shop').text(),
               'image': item.find('.pic .img').attr('src'),
           }
   
           print(producet)
           save_to_monge(producet)
   
   def save_to_monge(result):
       try:
           if db[MONGO_TABLE].insert(result):
               print('存储成功!',result)
       except Exception:
           print('存储失败！',result)
   def main():
       try:
           total = search()
           total = int(re.compile('(\d+)').search(total).group(1))
           for i in range(2,total+1):
               next_page(i)
       except Exception:
           print('出错啦')
       browser.close()
   
   if __name__ == '__main__':
       main()

2. config配置页

   MONGO_URL='localhost'
   MONGO_DB='taobao'
   MONGO_TABLE='taobao'
   
   SERVICE_ARGS = ['--load-images=false','--disk-cache=false']
   
   KEYWORD ='美食'