利用Selenium爬取淘宝商品信息
文章來源：公眾號-智能化IT系統。
一. ?Selenium和PhantomJS介紹
Selenium是一個用于Web應用程序測試的工具，Selenium直接運行在瀏覽器中，就像真正的用戶在操作一樣。由于這個性質，Selenium也是一個強大的網絡數據采集工具，其可以讓瀏覽器自動加載頁面，這樣，使用了異步加載技術的網頁，也可獲取其需要的數據。
?
Selenium模塊是Python的第三方庫，可以通過pip進行安裝：
pip3 install selenium |
?
Selenium自己不帶瀏覽器，需要配合第三方瀏覽器來使用。通過help命令查看Selenium的Webdriver功能，查看Webdriver支持的瀏覽器：
from selenium import webdriver help(webdriver) |
查看執行后的結果，如下圖所示：
?
在這個案例中，采用PhantomJS。Selenium和PhantomJS的配合使用可以完全模擬用戶在瀏覽器上的所有操作，包括輸入框內容填寫、單擊、截屏、下滑等各種操作。這樣，對于需要登錄的網站，用戶可以不需要通過構造表單或提交cookie信息來登錄網站。
?
二. 案例介紹
這里所舉的案例，是利用Selenium爬取淘寶商品信息，爬取的內容為淘寶網（https://www.taobao.com/）上男士短袖的商品信息，如下圖所示：
這里可以看到，在用戶輸入淘寶后，需要模擬輸入，在輸入框輸入“男士短袖”。
?
案例中使用Selenium和PhantomJS，模擬電腦的搜索操作，輸入商品名稱進行搜索，如圖所示，“檢查”搜索框元素。
并且如下圖所示，“檢查”下一頁元素：
?
爬取的內容有商品價格、付款人數、商品名稱、商家名稱和地址，如下圖所示：
最后把爬取數據存儲到MongoDB數據庫中。
?
三. 相關技術
小編這里把除了selenium之外所需要的知識列一下，這里就不做詳細解釋了，如果不清楚的話可以百度了解下。
mongoDB的使用，以及在python中用mongodb進行數據存儲。
lxml，爬蟲三大方法之一，解析效率比較高，使用難度相比正則表達式要低（上一篇文章的解析方法是正則表達式）。
間歇休息的方法：driver.implicitly_wait
?
四. 源代碼
代碼如下所示，可復制直接執行：
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. 代碼解析
（1）1~4行
導入程序需要的庫，selenium庫用于模擬請求和交互。lxml解析數據。pymongo是mongoDB 的交互庫。
（2）6~8行
打開mongoDB，進行存儲準備。
（3）10~11行
最大化PhantomJS窗口。
（4）14~33行
利用lxml抓取網頁數據，分別定位到所需要的信息，并把信息集成至json，存儲至mongoDB。
（5）35~47行
分頁處理。
（5）51~57行
利用selenium模擬輸入“男士短袖”，并模擬點擊操作，并獲取到對應的頁面信息，調取主方法解析。
———————————————————
公眾號-智能化IT系統。每周都有技術文章推送，包括原創技術干貨，以及技術工作的心得分享。掃描下方關注。
總結
以上是生活随笔為你收集整理的利用Selenium爬取淘宝商品信息的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 责任心，内因还是外因？
- 下一篇： 公钥加密以及混合加密