python3实现爬取淘宝页面的商品的数据信息（selenium+pyquery+mongodb）

1.环境须知

做这个爬取的时候需要安装好python3.6和selenium、pyquery等等一些比较常用的爬取和解析库，还需要安装MongoDB这个分布式数据库。

2.直接上代码

spider.py

import re
from config import *
import pymongo
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
#mongodb配置信息
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
#打开chrome浏览器
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
#第一次搜索页面的方法
def search():
print('正在搜索')
try:
browser.get('https://www.taobao.com')
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#q')))
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
input.send_keys(KEYWORD)
submit.click()
total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total')))
get_products()
return total.text
except TimeoutException:
return search()
#运用selenium进行翻页的操作
def next_page(page_number):
print('正在翻页')
try:
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit')))
input.clear()
input.send_keys(page_number)
submit.click()
wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page_number)))
get_products()
except TimeoutException:
next_page(page_number)
#运用pyquery进行页面的解析
def get_products():
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
html = browser.page_source
doc = pq(html)
items = doc('#mainsrp-itemlist .items .item').items()
for item in items:
products = {
'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(products)
save_to_mongo(products)
#数据保存到mongodb中
def save_to_mongo(result):
try:
if db[MONGO_TABLE].insert(result):
print('存储成功', result)
except Exception:
print('存储失败', result)
#主方法
def main():
try:
total = search()
total = int(re.compile('(\d+)').search(total).group(1))
for i in range(2, total+1):
next_page(i)
except Exception:
print('下载中断，出错了')
finally:
browser.close()
#程序入口
if __name__ == '__main__':
main()

config.py

#mongodb数据库的配置信息
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_TABLE = 'product'
#搜索关键词的更改
SERVICE_ARGS = ['--load-images=false']
KEYWORD = '美食'

3.运行结果

上面我爬取了淘宝页面搜索‘美食’关键词后的商品的信息，你也可以根据修改关键词爬取其他不同的信息。下面是存储在mongodb里面的数据截图，以表格的形式展示出来了。





。。。。。。

这些是50个商品的数据，一共爬取了100页的商品应该有几千条的数据，就不一一展示了。

打完收工。