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也是一个强大的网络数据采集工具，其可以让浏览器自动加载页面，这样，使用了异步加载技术的网页，也可获取其需要的数据。

Selenium模块是Python的第三方库，可以通过pip进行安装：

pip3 install selenium

Selenium自己不带浏览器，需要配合第三方浏览器来使用。通过help命令查看Selenium的Webdriver功能，查看Webdriver支持的浏览器：

from selenium import webdriver

help(webdriver)

查看执行后的结果，如下图所示：

在这个案例中，采用PhantomJS。Selenium和PhantomJS的配合使用可以完全模拟用户在浏览器上的所有操作，包括输入框内容填写、单击、截屏、下滑等各种操作。这样，对于需要登录的网站，用户可以不需要通过构造表单或提交cookie信息来登录网站。

二. 案例介绍

这里所举的案例，是利用Selenium爬取淘宝商品信息，爬取的内容为淘宝网（https://www.taobao.com/）上男士短袖的商品信息，如下图所示：

这里可以看到，在用户输入淘宝后，需要模拟输入，在输入框输入“男士短袖”。

案例中使用Selenium和PhantomJS，模拟电脑的搜索操作，输入商品名称进行搜索，如图所示，“检查”搜索框元素。

并且如下图所示，“检查”下一页元素：

爬取的内容有商品价格、付款人数、商品名称、商家名称和地址，如下图所示：

最后把爬取数据存储到MongoDB数据库中。

三. 相关技术

这里把除了selenium之外所需要的知识列一下，这里就不做详细解释了，如果不清楚的话可以百度了解下。

• mongoDB的使用，以及在python中用mongodb进行数据存储。

• lxml，爬虫三大方法之一，解析效率比较高，使用难度相比正则表达式要低（上一篇文章的解析方法是正则表达式）。

• 间歇休息的方法：driver.implicitly_wait

四. 源代码

代码如下所示，可复制直接执行：

from selenium import webdriver
from lxml import etree
import time
import pymongo

client = pymongo.MongoClient('localhost',  27017)
mydb = client['mydb']
taobao = mydb['taobao']

driver = webdriver.PhantomJS()
driver.maximize_window() 

def get_info(url,page):
     page = page + 1
     driver.get(url)
     driver.implicitly_wait(10)
     selector = etree.HTML(driver.page_source)
     infos = selector.xpath('//div[@class="item J_MouserOnverReq"]')

     for info in infos:
        data = info.xpath('div/div/a')[0]
        goods =  data.xpath('string(.)').strip()
        price = info.xpath('div/div/div/strong/text()')[0]
        sell =  info.xpath('div/div/div[@class="deal-cnt"]/text()')[0]
        shop =  info.xpath('div[2]/div[3]/div[1]/a/span[2]/text()')[0]
        address =  info.xpath('div[2]/div[3]/div[2]/text()')[0]
        commodity = {
            'good':goods,
            'price':price,
            'sell':sell,
            'shop':shop,
            'address':address
        }
        taobao.insert_one(commodity)

     if page <= 50:
        NextPage(url,page)
     else:
        pass

def NextPage(url,page):
     driver.get(url)
     driver.implicitly_wait(10)        
 driver.find_element_by_xpath('//a[@trace="srp_bottom_pagedown"]').click()
     time.sleep(4)
     driver.get(driver.current_url)
     driver.implicitly_wait(10)
     get_info(driver.current_url,page)

if __name__ == '__main__':
     page = 1
     url = 'https://www.taobao.com/'
     driver.get(url)
     driver.implicitly_wait(10)
     driver.find_element_by_id('q').clear()
     driver.find_element_by_id('q').send_keys('男士短袖')
     driver.find_element_by_class_name('btn-search').click()
     get_info(driver.current_url,page)

五. 代码解析 

（1）1~4行

导入程序需要的库，selenium库用于模拟请求和交互。lxml解析数据。pymongo是mongoDB 的交互库。

（2）6~8行

打开mongoDB，进行存储准备。

（3）10~11行

最大化PhantomJS窗口。

（4）14~33行

利用lxml抓取网页数据，分别定位到所需要的信息，并把信息集成至json，存储至mongoDB。

（5）35~47行

分页处理。

（5）51~57行

利用selenium模拟输入“男士短袖”，并模拟点击操作，并获取到对应的页面信息，调取主方法解析。

———————————————————

公众号-智能化IT系统。每周都有技术文章推送，包括原创技术干货，以及技术工作的心得分享。扫描下方关注。