scrapy+selenium 爬取淘宝商城商品数据存入到mongo中
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
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 使用Selenium爬取淘宝商品
import pymongo from selenium import webdriver from selenium.common.exceptions import TimeoutExceptio ...
- 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 ...
- 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 ...
- 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
- 将一个整数数组先按照因子数量排序,再按照数字大小排序,输出第k个数
同小米OJ比赛题:现在有 n 个数,需要用因子个数的多少进行排序,因子个数多的排在后面,因子个数少的排在前面,如果因子个数相同那么就比较这个数的大小,数大的放在后面,数小的放在前面.现在让你说出排序之 ...
- servlet获取checkbox的值出现选中的值为on。问题所在。。。
<form action="/Http/request06" method="post"> 用户名:<input type="tex ...
- Mac安装postgresql和卸载PostgreSQL
1.homebrew安装 brew install postgresql 2.初始化 initdb /usr/local/var/postgres 3.创建数据库及查看数据库 (1)先创建db. cr ...
- opencv实现人脸识别(三) 训练图片模块
现在我们已经拍好了需要训练的图片,接下来就是进行训练 流程图: 我们在这里用到了numpy库,NumPy是一个功能强大的Python库,主要用于对多维数组执行计算. 使用numpy的目的是减少pyth ...
- 玩linux笔记——持续更新
说在最前面 centos 是基于redhat linux,所以最好的教程在红帽官网 https://access.redhat.com/documentation/en-us/red_hat_ente ...
- C#使用phantomjs,爬取AJAX加载完成之后的页面
1.开发思路:入参根据apiSetting配置文件,分配静态文件存储地址,可实现不同站点的静态页生成功能.静态页生成功能使用无头浏览器生成,生成之后的字符串进行正则替换为固定地址,实现本地正常访问. ...
- sketch最强切图工具Sketch Measure
https://www.inpandora.com/sketch-measure.html https://www.jianshu.com/p/c11ae88e6b1d
- 【Android】二、HelloWorld
1. 按照该网址写HelloWorld 例子 http://www.runoob.com/android/android-hello-world-example.html 2.点击 make pr ...
- CHD-5.3.6集群上Flume安装
Flume is a distributed, reliable, and available service for efficiently collecting, aggregating, and ...
- 简单服务器通信 模型socketserver
硬件服务器:主机 集群 厂商 :IBM HP 联想 浪潮 软件服务器 :编写的服务端应用程序,在硬件服务器上运行,一般依托于操作系统,给用户提供一套完整的服务 httpserver --> ...