16-使用Selenium模拟浏览器抓取淘宝商品美食信息

淘宝由于含有很多请求参数和加密参数，如果直接分析ajax会非常繁琐，selenium自动化测试工具可以驱动浏览器自动完成一些操作，如模拟点击、输入、下拉等，这样我们只需要关心操作而不需要关心后台发生了怎样的请求。PhantomJS是一个无界面的浏览器。

爬取淘宝搜索关键词下的宝贝内容，爬取到MONGODB，使用的解析库是pyquery。

步骤：

搜索关键字：利用Selenium驱动浏览器搜索关键字，得到查询后的商品列表。

分析页码并翻页：得到商品页码数，模拟翻页，得到后续页面的商品列表。

分析提取商品内容：利用PyQuery分析源码，解析得到商品列表。

存储到MongoDB：将商品列表信息存储到数据库MongoDB。

spider.py

'''selenium库的API：https://selenium-python.readthedocs.io/。需要实现的功能可以参考API实现。'''
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
import re
from pyquery import PyQuery
#导入存储MONGODB数据库的配置信息
from config import *
import pymongo
#定义一个mongodb客户端
client = pymongo.MongoClient(MONGO_URL)
#定义数据库
db = client[MONGO_DB]

# browser = webdriver.Chrome(executable_path="D:\ASoft\Python\chromedriver\chromedriver.exe")
#我们在通过Selenium运行自动化测试时，必须要启动浏览器，浏览器的启动与关闭必然会影响执行效率。
#Chrome-headless 模式，Google 自己出的无头浏览器模式。
#由于PhantomJS已经被新版本的selenium库弃用，所以使用Chrome-headless。
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='D:\ASoft\Python\chromedriver\chromedriver.exe', chrome_options=chrome_options)

wait = WebDriverWait(browser, 1000)
def search():
    try:
        '''第一步：搜索关键字：利用Selenium驱动浏览器搜索关键字，得到查询后的商品列表。'''
        browser.get('https://www.taobao.com')
        #等待查询输入框加载出来
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        #等待按钮可点击
        submit = wait.until(
            #EC是选择条件，这里按钮选择条件设置为可点击
            # 选中‘搜索’按钮的源码右键copy->copy seletor，得到‘搜索'按钮的CSS_SELECTOR。
            EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search'))    #此处用的火狐浏览器的，谷歌浏览器得到的CSS_SELECTOR不好使。
        )
        #参考API的send_keys方法发送关键词
        input.send_keys(KEYWORD)
        submit.click()
        '''第二步：分析页码并翻页：得到商品页码数，模拟翻页，得到后续页面的商品列表。'''
        #获取总的页码数
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
        #在页面加载出来之后调用get_products()获取商品详情信息
        get_products()
        return total.text
    except TimeoutError:
        return search()

#实现翻页
def next_page(page_number):
    try:
        #得到到第几页的输入框
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.form > input')))
        #得到到第几页的确定按钮
        submit =wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))
        input.clear()
        input.send_keys(page_number)
        submit.click()
        #等待高亮的页码显示为page_number
        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)))
        #在翻页成功之后，调用get_products()获取商品详情信息
        get_products()
    except TimeoutError:
        next_page(page_number)

#得到每个商品的详细信息
def get_products():
    '''第三步：分析提取商品内容：利用PyQuery分析源码，解析得到商品列表。'''
    #得到每个商品item
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item')))
    #得到网页的源代码
    html = browser.page_source
    #用PyQuery库解析网页源代码
    doc = PyQuery(html)
    #得到所有选择的内容
    items = doc('#mainsrp-itemlist .items .item').items()
    #遍历每个item，得到其中的信息
    for item in items:
        product = {
            #得到图片信息，得到它的src属性。源码中可能出现多类选择器http://www.w3school.com.cn/css/css_selector_class.asp，可以只选择一个类选择器。
            '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)
        #存储到MONGODB
        save_to_mongo(product)

def save_to_mongo(result):
    '''第四部：存储到MongoDB：将商品列表信息存储到数据库MongoDB。'''
    try:
        if db[MONGO_TABLE].insert(result):
            print('存储到MONGODB成功',result)
    except Exception:
        print('存储到MONGODB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('出错了')
    finally:
        #关闭浏览器
        browser.close()

if __name__ == '__main__':
    main()

config.py

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'

KEYWORD = '美食'