摘要：目標通過模擬瀏覽器抓取淘寶商品美食信息，并存儲到數據庫中。流程框架淘寶頁面比較復雜，含有各種請求參數和加密參數，如果直接請求或者分析將會非常繁瑣。

通過Selenium模擬瀏覽器抓取淘寶商品美食信息，并存儲到MongoDB數據庫中。

淘寶頁面比較復雜，含有各種請求參數和加密參數，如果直接請求或者分析Ajax將會非常繁瑣。Selenium是一個自動化測試工具，可以驅動瀏覽器去完成各種工作，比如模擬點擊、輸入和下拉等多種功能，這樣我們只需關心操作，不需要關心后臺發生了怎么樣的請求下面對具體操作步驟進行詳述。
下圖展示了具體的流程框架：

首先，測試一下我們的webdriver是否可以使用：

from selenium import webdriver

browser = webdriver.Chrome()

def search():
    browser.get("https://www.taobao.com/")zidong

def main():
    search()

if __name__ == "__main__":    
    main()

運行以上代碼，如果出現下圖所示，則表示webdriver安裝成功：

接下來讓我們利用Selenium搜索淘寶美食關鍵字，在搜索之前，我們應該注意到一件事情，諸如淘寶之類數據量比較大的網站，一般網站加載較慢，這就帶來了一個問題，如果我們使用Selenium操作頁面元素，就必須等到元素加載完畢。如果不熟悉Selenium的相關方法，可以到https://www.seleniumhq.org/docs/進行查看，如果你的網速不太理想，可以到https://selenium- python-zh.readthedocs.io/en/latest/進行參考。

完成了以上的工作之后，就可以使用Selenium搜索淘寶美食關鍵字了，讓我們打開淘寶網的首頁https://www.taobao.com/，調出控制臺來查看頁面元素，接下來我們將使用Selenium內置的CSS選擇器選擇頁面元素。
下圖展示了如何利用Chrome瀏覽器獲取元素的選擇器：

在此，我們思考一下一共需要獲取哪幾個元素，讓我們回想一下手工搜索美食的過程，首先在搜索框輸入“美食”關鍵字，然后點擊按鈕搜索：

代碼實現如下：

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

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)

def search():
    try:
        browser.get("https://www.taobao.com/")

        # 等待搜索框加載出來
        # 像"presence_of_element_located"之類的動作，可以到Selenium官方文檔查詢
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#q"))
        )
        # 等待搜索按鈕可以被點擊
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_TSearchForm > div.search-button > button"))
        )
        input.send_keys("美食")
        submit.click()
    except TimeoutException:
        # 如果出現超時異常，重新執行search()函數
        return search()

def main():
    search()

if __name__ == "__main__":
    main()

運行代碼，如果出現以下情況，說明運行成功：

至此，我們完成了第一步，搜索關鍵字。

在上面我們搜索美食關鍵字的第一頁，我們可以看到關于美食的頁面一共有100頁，現在，我們需要想辦法獲取這個頁面：

與上面獲取元素的方法相同，我們使用CSS選擇器獲取頁面元素并返回：

total = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > div.total"))
        )

然后利用正則表達式提取出有用的元素：

total = int(re.compile("(d+)").search(total).group(1))

提取到總頁數之后，我們需要定義一個翻頁函數，循環遍歷1-100頁：

def next_page(page_number):
    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"))
        )
        # 清空文本框的值
        input.clear()
        # 給文本框賦值 
        input.send_keys(page_number)
        # 點擊確定，進行翻頁
        submit.click()
        # 判斷一下當前頁碼與文本框中的頁碼是否一致
        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)

接下來讓我們測試一下以上代碼：

def main():
    total = search()
    total = int(re.compile("(d+)").search(total).group(1))
    for i in range(2, total+1):
        next_page(i)
    browser.close()

if __name__ == "__main__":
    main()

運行代碼，可以發現瀏覽器打開淘寶并從第1頁翻到100頁后自動關閉。

利用PyQuery分析源碼，解析得到商品列表：

def get_products():
    # 確保商品信息完全加載完畢
    wait.until(
        EC.presence_of_element_located((By.CSS_SELECTOR, "#mainsrp-itemlist .items .item"))
    )
    # 獲取網頁源碼
    html = browser.page_source
    doc = pq(html)
    items = doc("#mainsrp-itemlist .items .item").items()
    for item in items:
        product = {
            # 獲取img的src屬性
            "image": item.find(".pic .img").attr("src"),
            # 獲取價格
            "price": item.find(".price").text(),
            # 獲取付款人數
            "deal": item.find(".deal-cnt").text()[:-3],
            # 獲取標題
            "title": item.find(".title").text(),
            # 獲取商家
            "shop": item.find(".shop").text(),
            # 獲取所在地
            "location": item.find(".location").text()
        }
        print(product)

得到商品列表之后，在search()方法（第1頁），next_page()方法（第2-100頁）中分別調用get_products()方法。

可以看到控制臺輸出打印以下結果：

讓我們新建一個config.py文件，文件中包含了MongoDB的URL，數據庫名稱，表名稱：

MONGO_URL = "localhost"
MONGO_DB = "taobao"
MONGO_TABLE = "product"

在spider.py中配置存儲到MongoDB相關方法：

from config import *
import pymongo

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

def save_to_mongo(result):
    try:
        if db[MONGO_TABLE].insert(result):
            print("存儲到MONGODB成功", result)
    except Exception:
        print("存儲到MONGODB失敗", result)

然后在get_products()方法中調用save_to_mongo(result)將數據存儲到MongoDB中。

運行代碼，接下來在MongoDB中進行查看：

項目完整代碼已托管到github:https://github.com/panjings/p...