【学习】03 淘宝爬虫-使用selenium采集关键词为电动车的数据

参考：

静觅丨崔庆才的个人博客

项目地址：

copywang/spiders_collection

实现功能：

1. 使用geckodriver驱动firefox访问淘宝首页，输入关键词，点击搜索按钮，翻页，点击确定按钮，采集信息，存储到mongodb，导出成CSV文件，统计程序运行时间
2. 使用selenium的WebDriverWait(browser,10).until(expected_conditions.条件((By.条件,'条件')))方法，判断输入框是否加载完成，搜索按钮是否出现
3. 使用send_keys()方法，输入关键字，使用click()方法，点击搜索
4. 获取第1页的产品信息
5. 使用第2步的方法，判断总页数是否出现，用text方法返回string
6. 翻页的方法使用，使用第2步的方法，判断输入框是否出现，确定按钮是否出现，调用clear()方法清空输入框，send_keys()方法输入页码，click()方法点击按钮
7. 使用第2步的方法，判断高亮的页码是否为翻页需要的页码
8. 每获取1页翻页，就获取1页产品信息
9. 产品信息的解析，使用pyquery库，首先使用第2步的方法，判断整个页面加载完成，即产品框的frame都出现了
10. 提取需要的产品信息字段，存储到MONGODB

遇到的问题：

1. Chrome版本和ChromeDriver不匹配，改为使用firefox
2. 使用PhantomJS报错，设置窗口大小后解决
3. 从mongodb导出到csv文件，首次打开为乱码，用的是utf-8 without BOM编码，windows下需要使用utf-8，用notepad++打开csv文件设置一下编码保存即可
4. 从firefox复制的CSS选择器格式错误，改用chrome
5. 使用PhantomJS程序的运行时间： 251.23947518380507，而使用firefox的程序的运行时间： 143.89224086472169，所以其实并不是无界面浏览器就快
6. 图片链接没有抓取完全，提取图片信息属性的时候应该直接使用data-src

收获

1. 初步学会使用selenium采集JS渲染的页面
2. mongodb导出
3. CSS选择器使用