1.配置信息

# 设置mongo参数
MONGO_URI = 'localhost'
MONGO_DB = 'taobao' # 设置搜索关键字
KEYWORDS=['小米手机','华为手机']
# 最大爬取页数
MAX_PAGE = 2
# 相应超时设置
SELENIUM_TIMEOUT = 20 ROBOTSTXT_OBEY = False #忽略 # 中间件
DOWNLOADER_MIDDLEWARES = {
'taobaoSpider.middlewares.SeleniumMiddleware': 300,
} #项目管道
ITEM_PIPELINES = {
# 'taobaoSpider.pipelines.TaobaospiderPipeline': 300,
'taobaoSpider.pipelines.MongoPipeline': 400,
}
2.item
import scrapy

class TaobaospiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
price = scrapy.Field()
sales = scrapy.Field()
shop = scrapy.Field()
location = scrapy.Field()
image = scrapy.Field()

3.spider

# -*- coding: utf-8 -*-
import scrapy class TaobaoSpider(scrapy.Spider):
name = 'taobao'
allowed_domains = ['taobao.com']
base_url = 'https://s.taobao.com/search?q=' def start_url(self):
# 通过self.settings.get()的方式获取setting里面的参数
for keyword in self.gettings.get('KEYWORDS'):
for page in range(1,self.gettings.get('MAX_PAGE')+1):
url = self.base_url.format(self.url)
yield scrapy.Request(url=self.url,
callback=self.parse,
meta={'page':page}, # 传递页码
dont_filter=True) # 不去重 def parse(self, response): products = response.xpath('//*[@id="mainsrp-itemlist"]/div[@class="m-itemlist"]/div[@class="grid g-claerfix"]/div[1]') # products = response.xpath('//div[contains(@class,"item J_MouserOnverReq"/')
for product in products:
from taobaoSpider.taobaoSpider.items import TaobaospiderItem
item = TaobaospiderItem()
item['title'] = ''.join(product.xpath('//div[contains(@class,"title")]/text()').extract()).strip()
item['location'] = ''.join(product.xpath('//div[contains(@class,"location")]/text()').extract()).strip()
item['shop'] = ''.join(product.xpath('//div[contains(@class,"shop")]/text()').extract()).strip()
item['price'] = ''.join(product.xpath('//div[contains(@class,"price")]/text()').extract()).strip()
item['deal'] = ''.join(product.xpath('//div[contains(@class,"deal-cnt")]/text()').extract()).strip()
item['iamge'] = ''.join(product.xpath('//div[@class="pic"]/img[contains(@class,"img")/@data-src').extract()).strip()
yield item

4.中间件

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from scrapy.http import HtmlResponse
from logging import getLogger class SeleniumMiddleware(object):
# def __init__(self, timeout=None, service_args=[]):
def __init__(self, timeout=None):
self.logger = getLogger(__name__)
self.timeout = timeout
# self.browser = webdriver.PhantomJS(service_args=service_args)
# 无界面模式
# self.options = webdriver.ChromeOptions()
# self.options.add_argument('--headless')
# self.browser = webdriver.Chrome(chrome_options=self.options)
self.browser = webdriver.Chrome()
# self.browser.set_window_size(1400, 700)
self.browser.set_page_load_timeout(self.timeout)
self.wait = WebDriverWait(self.browser, self.timeout)
print('timeout:', self.timeout) def __del__(self):
self.browser.close() def process_request(self, request, spider):
'''
:param request:
:param spider:
:return:
'''
self.logger.debug('Selenium is Runing')
# 得到的是个int型的整数
page = request.meta.get('page', 1)
try:
self.browser.get(request.url)
print(10*'-', request.url,10*'-')
if page > 1:
# 从第二页开始,等待页面加载完成
# Presence_of_all_elements_located 判断一组元素是否存在
input = self.wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '##mainsrp-pager > div > div > div > div.form > input')))
# Element_to_be_clickable 判断元素是否可点击
submit = self.wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))
input.clear()
# 输入第几页
input.send_keys(page)
submit.click()
# Text_to_be_present_in_element 判断元素是否有xx文本信息
self.wait.until(EC.text_to_be_present_in_element((
By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page)))
# Presence_of_all_elements_located 判断一组元素是否存在
# 检测每一个item是否加载出来了
self.wait.until(EC.presence_of_element_located((
By.CSS_SELECTOR, '#mainsrp-itemlist .m-itemlist .grid.g-clearfix .item')))
return HtmlResponse(url=request.url, body=self.browser.page_source, request=request, encoding='utf-8', status=200)
except TimeoutException:
return HtmlResponse(url=request.url, status=500, request=request) # 类方法 感觉就是获取setting里面的数据 在这里调用
# 得到数据之后变成类变量
@classmethod
def from_crawler(cls, crawler):
return cls(timeout=crawler.settings.get('SELENIUM_TIMEOUT'),)
# service_args=crawler.settings.get('PHANTOMJS_SERVICE_ARGS'))

5.管道(存储到mongo中)

class Pipeline(object):
def process_item(self, item, spider):
return item import pymongo # 存储到mongo中
class MongoPipeline(object): # 配置mongo数据库
def __init__(self,mongo_url,mongo_db):
self.mongo_url = mongo_url
self.mongo_db = mongo_db # 从setting中获取参数
@classmethod
def from_crawler(cls,crawler):
mongo_url = crawler.settings.get('MONGO_URL')
mongo_db = crawler.settings.get('MONGO_DB') # 连接数据库
def open_spider(self,spider):
self.client = pymongo.MongoClient(self.mongo_url)
self.db = self.client[self.mongo_db] # 关闭数据库连接
def close_spider(self,spider):
self.client.close() # 设置存储格式
def process_item(self,item,spider):
# item.__class__.__name__ 输出的item的类名
name = item.__class__.__name__
print('---------------name', name, '-------------------')
self.db[name].insert(dict(item))
return item

scrapy+selenium 爬取淘宝商城商品数据存入到mongo中的更多相关文章

  1. 使用scrapy+selenium爬取淘宝网

    --***2019-3-27测试有效***---- 第一步: 打开cmd,输入scrapy startproject taobao_s新建一个项目. 接着cd 进入我们的项目文件夹内输入scrapy ...

  2. 爬取淘宝商品数据并保存在excel中

    1.re实现 import requests from requests.exceptions import RequestException import re,json import xlwt,x ...

  3. 利用Selenium爬取淘宝商品信息

    一.  Selenium和PhantomJS介绍 Selenium是一个用于Web应用程序测试的工具,Selenium直接运行在浏览器中,就像真正的用户在操作一样.由于这个性质,Selenium也是一 ...

  4. Scrapy+selenium爬取简书全站

    Scrapy+selenium爬取简书全站 环境 Ubuntu 18.04 Python 3.8 Scrapy 2.1 爬取内容 文字标题 作者 作者头像 发布日期 内容 文章连接 文章ID 思路 分 ...

  5. python3编写网络爬虫16-使用selenium 爬取淘宝商品信息

    一.使用selenium 模拟浏览器操作爬取淘宝商品信息 之前我们已经成功尝试分析Ajax来抓取相关数据,但是并不是所有页面都可以通过分析Ajax来完成抓取.比如,淘宝,它的整个页面数据确实也是通过A ...

  6. 使用Selenium爬取淘宝商品

    import pymongo from selenium import webdriver from selenium.common.exceptions import TimeoutExceptio ...

  7. 爬虫实战4:用selenium爬取淘宝美食

    方案1:一次性爬取全部淘宝美食信息 1. spider.py文件如下 __author__ = 'Administrator' from selenium import webdriver from ...

  8. 使用selenium抓取淘宝的商品信息

    淘宝的页面大量使用了js加载数据,所以采用selenium来进行爬取更为简单,selenum作为一个测试工具,主要配合无窗口浏览器phantomjs来使用. import re from seleni ...

  9. 吴裕雄--天生自然PYTHON爬虫:使用Selenium爬取大型电商网站数据

    用python爬取动态网页时,普通的requests,urllib2无法实现.例如有些网站点击下一页时,会加载新的内容,但是网页的URL却没有改变(没有传入页码相关的参数),requests.urll ...

随机推荐

  1. [转帖]GNU/Linux与开源文化的那些人和事

    GNU/Linux与开源文化的那些人和事 时间:2015-09-24   作者:admin 分类:新手入门 阅读:167次 http://embeddedlinux.org.cn/emb-linux/ ...

  2. 基于grpc的流式方式实现双向通讯(python)

    grpc介绍 grpc是谷歌开源的一套基于rpc实现的通讯框架(官网有更完整的定义).在搞懂grpc之前,首先要弄懂rpc是什么.下面是自己理解的rpc定义,若有不对,望指出: rpc官方称为 远程过 ...

  3. split(".")不生效的问题

    前言:今天用String的split(".")函数分割字符串,结果总是一个空的String数组: 解决:输入的regex是一个正则表达式,很多在正则表达式里面有特殊意义的比如 &q ...

  4. jsp获取Session中的值

    摘要:这个问题算是老生常谈了,我也是一段时间没弄过了,所以感觉有些忘了,就记录一下. 一.后端通过shiro在session中存储数据: // username是前台传过来的用户名 if (subje ...

  5. codeforces 1251D Salary Changing (二分+贪心)

    (点击此处查看原题) 题意分析 一共有s元钱,要用这些钱给n个人发工资,发给每个人的工资si有最少和最多限制 si ∈[li,ri],在发给n个人的总工资小于s的情况下,要求发给n个人中的工资的中位数 ...

  6. 面试官:Kafka 如何优化内存缓冲机制造成的频繁 GC 问题?

    Jusfr 原创,转载请注明来自博客园 Request 与 Response 的响应格式 Request 与 Response 都是以 长度+内容 形式描述, 见于 A Guide To The Ka ...

  7. javascript中用&&跟||来简化if{}else{}的写法

    原文:javascript中用&&跟||来简化if{}else{}的写法 目录 javascript中用&&跟||来简化if{}else{}的写法 1. if else ...

  8. Springboot 使用pageHelper实现分页查询

    本文链接:https://blog.csdn.net/qq_35387940/article/details/91530234

  9. SpringBoot的启动配置原理

    一.启动流程 创建SpringApplication对象 public class SpringApplication { public SpringApplication(Class... prim ...

  10. Linux I2C核心、总线和设备驱动

    目录 更新记录 一.Linux I2C 体系结构 1.1 Linux I2C 体系结构的组成部分 1.2 内核源码文件 1.3 重要的数据结构 二.Linux I2C 核心 2.1 流程 2.2 主要 ...