Im Folgenden werde ich Ihnen ein Beispiel für die Verwendung von Selen zur Erfassung von Taobao-Produktinformationen vorstellen. Es hat einen guten Referenzwert und ich hoffe, dass es für alle hilfreich sein wird.
Taobao-Seiten verwenden viele JS zum Laden von Daten, daher ist es einfacher, Selen zum Crawlen zu verwenden. Als Testtool wird Selen hauptsächlich mit den fensterlosen Browser-Phantomjs verwendet.
import re
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from pyquery import PyQuery as pq
'''
wait.until()语句是selenum里面的显示等待，wait是一个WebDriverWait对象，它设置了等待时间，如果页面在等待时间内
没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,也可以说程序每隔xx秒看一眼，如果条件
成立了，则执行下一步，否则继续等待，直到超过设置的最长时间，然后抛出TimeoutException
1.presence_of_element_located 元素加载出，传入定位元组，如(By.ID, 'p')
2.element_to_be_clickable 元素可点击
3.text_to_be_present_in_element 某个元素文本包含某文字
'''
# 定义一个无界面的浏览器
browser = webdriver.PhantomJS(
service_args=[
'--load-images=false',
'--disk-cache=true'])
# 10s无响应就down掉
wait = WebDriverWait(browser, 10)
#虽然无界面但是必须要定义窗口
browser.set_window_size(1400, 900)
def search():
'''
此函数的作用为完成首页点击搜索的功能，替换标签可用于其他网页使用
:return:
'''
print('正在搜索')
try:
#访问页面
browser.get('https://www.taobao.com')
# 选择到淘宝首页的输入框
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))
)
#搜索的那个按钮
submit = wait.until(EC.element_to_be_clickable(
(By.CSS_SELECTOR, '#J_TSearchForm > p.search-button > button')))
#send_key作为写到input的内容
input.send_keys('面条')
#执行点击搜索的操作
submit.click()
#查看到当前的页码一共是多少页
total = wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR, '#mainsrp-pager > p > p > p > p.total')))
#获取所有的商品
get_products()
#返回总页数
return total.text
except TimeoutException:
return search()
def next_page(page_number):
'''
翻页函数，
:param page_number:
:return:
'''
print('正在翻页', page_number)
try:
#这个是我们跳转页的输入框
input = wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR, '#mainsrp-pager > p > p > p > p.form > input')))
#跳转时的确定按钮
submit = wait.until(
EC.element_to_be_clickable(
(By.CSS_SELECTOR,
'#mainsrp-pager > p > p > p > p.form > span.J_Submit')))
#清除里面的数字
input.clear()
#重新输入数字
input.send_keys(page_number)
#选择并点击
submit.click()
#判断当前页是不是我们要现实的页
wait.until(
EC.text_to_be_present_in_element(
(By.CSS_SELECTOR,
'#mainsrp-pager > p > p > p > ul > li.item.active > span'),
str(page_number)))
#调用函数获取商品信息
get_products()
#捕捉超时，重新进入翻页的函数
except TimeoutException:
next_page(page_number)
def get_products():
'''
搜到页面信息在此函数在爬取我们需要的信息
:return:
'''
#每一个商品标签，这里是加载出来以后才会拿网页源代码
wait.until(EC.presence_of_element_located(
(By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
#这里拿到的是整个网页源代码
html = browser.page_source
#pq解析网页源代码
doc = pq(html)
items = doc('#mainsrp-itemlist .items .item').items()
for item in items:
# print(item)
product = {
'image': item.find('.pic .img').attr('src'),
'price': item.find('.price').text(),
'deal': item.find('.deal-cnt').text()[:-3],
'title': item.find('.title').text(),
'shop': item.find('.shop').text(),
'location': item.find('.location').text()
}
print(product)
def main():
try:
#第一步搜索
total = search()
#int类型刚才找到的总页数标签，作为跳出循环的条件
total = int(re.compile('(\d+)').search(total).group(1))
#只要后面还有就继续爬，继续翻页
for i in range(2, total + 1):
next_page(i)
except Exception:
print('出错啦')
finally:
#关闭浏览器
browser.close()
if __name__ == '__main__':
main()Ich habe das Obige für Sie zusammengestellt und hoffe, dass es Ihnen in Zukunft hilfreich sein wird.
Verwandte Artikel:
Implementieren einer Lupe durch JQuery-Technologie
Das obige ist der detaillierte Inhalt vonVerwenden Sie Selen, um Taobao-Dateninformationen zu erfassen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
