python3实现爬取淘宝美食代码分享

环境:

ubuntu16.04
python3.5
python库: selenium, pyquery,pymongo, re

要求:

设置×××面浏览器访问,并将商品列表存入mongodb数据库.

分析过程暂时略过

代码：

#!/usr/bin/env python
# -*- coding:utf-8 -*-

"""
1.爬取淘宝美食的流程
- 搜索关键字: 用selenium打开浏览器,模拟输入关键字,并搜索对应的商品列表.
- 分析页码并翻页,模拟翻页,查看到所有页面的商品列表.
- 分析并提取商品,利用pyquery分析源码,解析得到商品列表.
- 存储到mongodb数据库,将商品列表信息存储到mongodb数据库.
"""
from selenium import webdriver
from selenium.webdriver.common.by import by
from selenium.webdriver.support.ui import webdriverwait
from selenium.webdriver.support import expected_conditions as ec
from selenium.common.exceptions import timeoutexception
from pyquery import pyquery as pq
import re
from anli.mongoconfig import *
import pymongo

client = pymongo.mongoclient(mongo_url)
db = client[mongo_db]

#设置×××面访问
opt = webdriver.firefoxoptions()
opt.set_headless()
browser = webdriver.firefox(options=opt)

#等待浏览器加载页面成功.
wait = webdriverwait(browser,10)

def search():
  try:
    # 后台打开浏览器
    browser.get('https://www.taobao.com')

    # 用css选择器复制搜索框
    input = wait.until(
      ec.presence_of_element_located((by.css_selector, '#q'))
    )

    # 找到搜索按钮.
    submit = wait.until(
      # ec.element_to_be_clickable((by.css_selector,'#j_tsearchform .search-button')))
      ec.element_to_be_clickable((by.css_selector,'#j_tsearchform > div.search-button > button')))

    # 输入关键字
    input.send_keys('美食')

    # 点击搜索按钮.
    submit.click()

    # 输出总共的页数.
    total=wait.until(ec.presence_of_element_located((by.css_selector,'.total')))

    # 调取商品列表的函数.
    get_products()
    return total.text
  except timeoutexception: #超时错误.
    return search()

# 翻页
def next_page(page_number):
  try:
    #注意在firefox和chrome浏览器复制出来的元素不太一样.
    #要传入的页码: 到第几页
    input = wait.until(
      ec.presence_of_element_located((by.css_selector,'input.input:nth-child(2)'))
    )
    #复制确定按钮的元素:
    submit = wait.until(ec.element_to_be_clickable((by.css_selector,'span.btn:nth-child(4)')))

    #清除页码
    input.clear()
    #输入当前页码
    input.send_keys(page_number)

    #点击确定按钮.
    submit.click()

    #判断当前页码是否是当前数字: 复制高亮页码数.
    wait.until(ec.text_to_be_present_in_element((by.css_selector,'span.num'),str(page_number)))
    get_products()
  except timeoutexception:
    next_page(page_number)

#解析jquery源码
def get_products():
  #商品列表:
  wait.until(ec.presence_of_element_located((by.css_selector,'#mainsrp-itemlist .items .item')))

  # 获取网页源码
  html = browser.page_source
  doc = pq(html)
  items = doc('#mainsrp-itemlist .items .item').items()
  for item in items:
    #定义商品列表详细信息的字典
    product = {
      'title': item.find('.title').text(),
      'price': item.find('.price').text(),
      'image': item.find('.pic .img').attr('src'),
      'shop': item.find('.shop').text(),
      'deal': item.find('.deal-cnt').text()[:-3],
      'location': item.find('.location').text()
    }
    print(product)
    #将商品列表信息保存到mongodb数据库.
    save_to_mongo(product)

def save_to_mongo(result):
  try:
    if db[mongo_table].insert(result):
      print('存储到mongodb成功',result)
  except exception:
    print('存储到mongodb失败',result)

def main():
  total = search()

  # 用正则表达式只匹配出数字,并打印数字.
  total = int(re.compile('(\d+)').search(total).group(1))
  print(total)
  for i in range(2,total + 1):
    next_page(i)

if __name__=='__main__':
  main()
  #关闭×××面浏览器.
  browser.quit()
#mongoconfig.py
#!/usr/bin/env python
# -*- coding:utf-8 -*-

mongo_url = 'localhost'
mongo_db = 'taobao'
mongo_table = 'meishi'

安装和使用mongodb参考:

实现效果:

注意:

chrome浏览器和firefox浏览器的网页元素不太一样.