Python爬虫学习教程：天猫商品数据爬虫

天猫商品数据爬虫使用教程

• 下载chrome浏览器
• 查看chrome浏览器的版本号，下载对应版本号的chromedriver驱动
• pip安装下列包
• pip install selenium
• pip install pyquery
• 登录微博，并通过微博绑定淘宝账号密码
• 在main中填写chromedriver的绝对路径
• 在main中填写微博账号密码

1 #改成你的chromedriver的完整路径地址
2     chromedriver_path = "/users/bird/desktop/chromedriver.exe" 
3     #改成你的微博账号
4     weibo_username = "改成你的微博账号"
5     #改成你的微博密码
6     weibo_password = "改成你的微博密码"

效果演示图片

项目源码

  1 # -*- coding: utf-8 -*-
  2 
  3 from selenium import webdriver
  4 from selenium.webdriver.common.by import by
  5 from selenium.webdriver.support.ui import webdriverwait
  6 from selenium.webdriver.support import expected_conditions as ec
  7 from selenium.webdriver import actionchains
  8 from pyquery import pyquery as pq
  9 from time import sleep
 10 
 11 
 12 #定义一个taobao类
 13 class taobao_infos:
 14 
 15     #对象初始化
 16     def __init__(self):
 17         url = 'https://login.taobao.com/member/login.jhtml'
 18         self.url = url
 19 
 20         options = webdriver.chromeoptions()
 21         options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) # 不加载图片,加快访问速度
 22         options.add_experimental_option('excludeswitches', ['enable-automation']) # 此步骤很重要，设置为开发者模式，防止被各大网站识别出来使用了selenium
 23 
 24         self.browser = webdriver.chrome(executable_path=chromedriver_path, options=options)
 25         self.wait = webdriverwait(self.browser, 10) #超时时长为10s
 26 
 27 
 28     #延时操作,并可选择是否弹出窗口提示
 29     def sleep_and_alert(self,sec,message,is_alert):
 30 
 31         for second in range(sec):
 32             if(is_alert):
 33                 alert = "alert(\"" + message + ":" + str(sec - second) + "秒\")"
 34                 self.browser.execute_script(alert)
 35                 al = self.browser.switch_to.alert
 36                 sleep(1)
 37                 al.accept()
 38             else:
 39                 sleep(1)
 40 
 41 
 42     #登录淘宝
 43     def login(self):
 44 
 45         # 打开网页
 46         self.browser.get(self.url)
 47 
 48         # 自适应等待，点击密码登录选项
 49         self.browser.implicitly_wait(30) #智能等待，直到网页加载完毕，最长等待时间为30s
 50         self.browser.find_element_by_xpath('//*[@class="forget-pwd j_quick2static"]').click()
 51 
 52         # 自适应等待，点击微博登录宣传
 53         self.browser.implicitly_wait(30)
 54         self.browser.find_element_by_xpath('//*[@class="weibo-login"]').click()
 55 
 56         # 自适应等待，输入微博账号
 57         self.browser.implicitly_wait(30)
 58         self.browser.find_element_by_name('username').send_keys(weibo_username)
 59 
 60         # 自适应等待，输入微博密码
 61         self.browser.implicitly_wait(30)
 62         self.browser.find_element_by_name('password').send_keys(weibo_password)
 63 
 64         # 自适应等待，点击确认登录按钮
 65         self.browser.implicitly_wait(30)
 66         self.browser.find_element_by_xpath('//*[@class="btn_tip"]/a/span').click()
 67 
 68         # 直到获取到淘宝会员昵称才能确定是登录成功
 69         taobao_name = self.wait.until(ec.presence_of_element_located((by.css_selector, '.site-nav-bd > ul.site-nav-bd-l > li#j_sitenavlogin > div.site-nav-menu-hd > div.site-nav-user > a.site-nav-login-info-nick ')))
 70         # 输出淘宝昵称
 71         print(taobao_name.text)
 72 
 73 
 74 
 75 
 76     # 获取天猫商品总共的页数
 77     def search_toal_page(self):
 78 
 79         # 等待本页面全部天猫商品数据加载完毕
 80         good_total = self.wait.until(ec.presence_of_element_located((by.css_selector, '#j_itemlist > div.product > div.product-iwrap')))
 81 
 82         #获取天猫商品总共页数
 83         number_total = self.wait.until(ec.presence_of_element_located((by.css_selector, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form')))
 84         page_total = number_total.text.replace("共","").replace("页，到第页 确定","").replace("，","")
 85 
 86         return page_total
 87 
 88 
 89     # 翻页操作
 90     def next_page(self, page_number):
 91         # 等待该页面input输入框加载完毕
 92         input = self.wait.until(ec.presence_of_element_located((by.css_selector, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipto')))
 93 
 94         # 等待该页面的确定按钮加载完毕
 95         submit = self.wait.until(ec.presence_of_element_located((by.css_selector, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > button.ui-btn-s')))
 96 
 97         # 清除里面的数字
 98         input.clear()
 99 
100         # 重新输入数字
101         input.send_keys(page_number)
102 
103         # 强制延迟1秒，防止被识别成机器人
104         sleep(1)
105 
106         # 点击确定按钮
107         submit.click()
108 
109 
110     # 模拟向下滑动浏览
111     def swipe_down(self,second):
112         for i in range(int(second/0.1)):
113             js = "var q=document.documentelement.scrolltop=" + str(300+200*i)
114             self.browser.execute_script(js)
115             sleep(0.1)
116         js = "var q=document.documentelement.scrolltop=100000"
117         self.browser.execute_script(js)
118         sleep(0.2)
119 
120 
121     # 爬取天猫商品数据
122     def crawl_good_data(self):
123 
124         # 对天猫商品数据进行爬虫
125         self.browser.get("https://list.tmall.com/search_product.htm?q=羽毛球")
126         err1 = self.browser.find_element_by_xpath("//*[@id='content']/div/div[2]").text
127         err1 = err1[:5]
128         if(err1 == "喵~没找到"):
129             print("找不到您要的")
130             return
131         try:
132             self.browser.find_element_by_xpath("//*[@id='j_comborec']/div[1]")
133             err2 = self.browser.find_element_by_xpath("//*[@id='j_comborec']/div[1]").text
134             #print(err2)
135             
136             err2 = err2[:5]
137 
138             if(err2 == "我们还为您"):
139                 print("您要查询的商品书目太少了")
140                 return
141         except:
142             print("可以爬取这些信息")
143         # 获取天猫商品总共的页数
144         page_total = self.search_toal_page()
145         print("总共页数" + page_total)
146 
147         # 遍历所有页数
148         for page in range(2,int(page_total)):
149 
150             # 等待该页面全部商品数据加载完毕
151             good_total = self.wait.until(ec.presence_of_element_located((by.css_selector, '#j_itemlist > div.product > div.product-iwrap')))
152 
153             # 等待该页面input输入框加载完毕
154             input = self.wait.until(ec.presence_of_element_located((by.css_selector, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipto')))
155 
156             # 获取当前页
157             now_page = input.get_attribute('value')
158             print("当前页数" + now_page + ",总共页数" + page_total)
159 
160             # 获取本页面源代码
161             html = self.browser.page_source
162 
163             # pq模块解析网页源代码
164             doc = pq(html)
165 
166             # 存储天猫商品数据
167             good_items = doc('#j_itemlist .product').items()
168 
169             # 遍历该页的所有商品
170             for item in good_items:
171                 good_title = item.find('.producttitle').text().replace('\n',"").replace('\r',"")
172                 good_status = item.find('.productstatus').text().replace(" ","").replace("笔","").replace('\n',"").replace('\r',"")
173                 good_price = item.find('.productprice').text().replace("¥", "").replace(" ", "").replace('\n', "").replace('\r', "")
174                 good_url = item.find('.productimg').attr('href')
175                 print(good_title + "   " + good_status + "   " + good_price + "   " + good_url + '\n')
176 
177 
178             # 精髓之处，大部分人被检测为机器人就是因为进一步模拟人工操作
179             # 模拟人工向下浏览商品，即进行模拟下滑操作，防止被识别出是机器人
180             self.swipe_down(2)
181 
182             # 翻页，下一页
183             self.next_page(page)
184 
185             # 等待滑动验证码出现,超时时间为5秒，每0.5秒检查一次
186             # 大部分情况不会出现滑动验证码，所以如果有需要可以注释掉下面的代码
187             # sleep(5)
188             webdriverwait(self.browser, 5, 0.5).until(ec.presence_of_element_located((by.id, "nc_1_n1z"))) #等待滑动拖动控件出现
189             try:
190                 swipe_button = self.browser.find_element_by_id('nc_1_n1z') #获取滑动拖动控件
191 
192                 #模拟拽托
193                 action = actionchains(self.browser) # 实例化一个action对象
194                 action.click_and_hold(swipe_button).perform() # perform()用来执行actionchains中存储的行为
195                 action.reset_actions()
196                 action.move_by_offset(580, 0).perform() # 移动滑块
197 
198             except exception as e:
199                 print ('get button failed: ', e)
200 
201 
202 if __name__ == "__main__":
203 
204     # 使用之前请先查看当前目录下的使用说明文件readme.md
205     # 使用之前请先查看当前目录下的使用说明文件readme.md
206     # 使用之前请先查看当前目录下的使用说明文件readme.md
207 
208     chromedriver_path = "/users/bird/desktop/chromedriver.exe" #改成你的chromedriver的完整路径地址
209     weibo_username = "改成你的微博账号" #改成你的微博账号
210     weibo_password = "改成你的微博密码" #改成你的微博密码
211 
212     a = taobao_infos()
213     a.login() #登录
214     a.crawl_good_data() #爬取天猫商品数据

平台网站经常变动，可以做参考

很多初学者，对python的概念都是模糊不清的，python能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解，详情可以点击有道云笔记链接了解：http://note.youdao.com/noteshare?id=7df52a4961924a8d98d3bc774cbfe54d