Python爬虫学习教程：天猫商品数据爬虫

# -*- coding: utf-8 -*-
from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver import ActionChainsfrom pyquery import PyQuery as pqfrom time import sleep

#定义一个taobao类class taobao_infos:
    #对象初始化    def __init__(self):        url = 'https://login.taobao.com/member/login.jhtml'        self.url = url
        options = webdriver.ChromeOptions()        options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) # 不加载图片,加快访问速度        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
        self.browser = webdriver.Chrome(executable_path=chromedriver_path, options=options)        self.wait = WebDriverWait(self.browser, 10) #超时时长为10s

    #延时操作,并可选择是否弹出窗口提示    def sleep_and_alert(self,sec,message,is_alert):
        for second in range(sec):            if(is_alert):                alert = "alert(\"" + message + ":" + str(sec - second) + "秒\")"                self.browser.execute_script(alert)                al = self.browser.switch_to.alert                sleep(1)                al.accept()            else:                sleep(1)

    #登录淘宝    def login(self):
        # 打开网页        self.browser.get(self.url)
        # 自适应等待，点击密码登录选项        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        self.browser.find_element_by_xpath('//*[@class="forget-pwd J_Quick2Static"]').click()
        # 自适应等待，点击微博登录宣传        self.browser.implicitly_wait(30)        self.browser.find_element_by_xpath('//*[@class="weibo-login"]').click()
        # 自适应等待，输入微博账号        self.browser.implicitly_wait(30)        self.browser.find_element_by_name('username').send_keys(weibo_username)
        # 自适应等待，输入微博密码        self.browser.implicitly_wait(30)        self.browser.find_element_by_name('password').send_keys(weibo_password)
        # 自适应等待，点击确认登录按钮        self.browser.implicitly_wait(30)        self.browser.find_element_by_xpath('//*[@class="btn_tip"]/a/span').click()
        # 直到获取到淘宝会员昵称才能确定是登录成功        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 ')))        # 输出淘宝昵称        print(taobao_name.text)



    # 获取天猫商品总共的页数    def search_toal_page(self):
        # 等待本页面全部天猫商品数据加载完毕        good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))
        #获取天猫商品总共页数        number_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.ui-page > div.ui-page-wrap > b.ui-page-skip > form')))        page_total = number_total.text.replace("共","").replace("页，到第页 确定","").replace("，","")
        return page_total

    # 翻页操作    def next_page(self, page_number):        # 等待该页面input输入框加载完毕        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')))
        # 等待该页面的确定按钮加载完毕        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')))
        # 清除里面的数字        input.clear()
        # 重新输入数字        input.send_keys(page_number)
        # 强制延迟1秒，防止被识别成机器人        sleep(1)
        # 点击确定按钮        submit.click()

    # 模拟向下滑动浏览    def swipe_down(self,second):        for i in range(int(second/0.1)):            js = "var q=document.documentElement.scrollTop=" + str(300+200*i)            self.browser.execute_script(js)            sleep(0.1)        js = "var q=document.documentElement.scrollTop=100000"        self.browser.execute_script(js)        sleep(0.2)

    # 爬取天猫商品数据    def crawl_good_data(self):
        # 对天猫商品数据进行爬虫        self.browser.get("https://list.tmall.com/search_product.htm?q=羽毛球")        err1 = self.browser.find_element_by_xpath("//*[@id='content']/div/div[2]").text        err1 = err1[:5]        if(err1 == "喵~没找到"):            print("找不到您要的")            return        try:            self.browser.find_element_by_xpath("//*[@id='J_ComboRec']/div[1]")            err2 = self.browser.find_element_by_xpath("//*[@id='J_ComboRec']/div[1]").text            #print(err2)                        err2 = err2[:5]
            if(err2 == "我们还为您"):                print("您要查询的商品书目太少了")                return        except:            print("可以爬取这些信息")        # 获取天猫商品总共的页数        page_total = self.search_toal_page()        print("总共页数" + page_total)
        # 遍历所有页数        for page in range(2,int(page_total)):
            # 等待该页面全部商品数据加载完毕            good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))
            # 等待该页面input输入框加载完毕            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')))
            # 获取当前页            now_page = input.get_attribute('value')            print("当前页数" + now_page + ",总共页数" + page_total)
            # 获取本页面源代码            html = self.browser.page_source
            # pq模块解析网页源代码            doc = pq(html)
            # 存储天猫商品数据            good_items = doc('#J_ItemList .product').items()
            # 遍历该页的所有商品            for item in good_items:                good_title = item.find('.productTitle').text().replace('\n',"").replace('\r',"")                good_status = item.find('.productStatus').text().replace(" ","").replace("笔","").replace('\n',"").replace('\r',"")                good_price = item.find('.productPrice').text().replace("¥", "").replace(" ", "").replace('\n', "").replace('\r', "")                good_url = item.find('.productImg').attr('href')                print(good_title + "   " + good_status + "   " + good_price + "   " + good_url + '\n')

            # 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            # 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            self.swipe_down(2)
            # 翻页，下一页            self.next_page(page)
            # 等待滑动验证码出现,超时时间为5秒，每0.5秒检查一次            # 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            # sleep(5)            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            try:                swipe_button = self.browser.find_element_by_id('nc_1_n1z') #获取滑动拖动控件
                #模拟拽托                action = ActionChains(self.browser) # 实例化一个action对象                action.click_and_hold(swipe_button).perform() # perform()用来执行ActionChains中存储的行为                action.reset_actions()                action.move_by_offset(580, 0).perform() # 移动滑块
            except Exception as e:                print ('get button failed: ', e)

if __name__ == "__main__":
    # 使用之前请先查看当前目录下的使用说明文件README.MD    # 使用之前请先查看当前目录下的使用说明文件README.MD    # 使用之前请先查看当前目录下的使用说明文件README.MD
    chromedriver_path = "/Users/bird/Desktop/chromedriver.exe" #改成你的chromedriver的完整路径地址    weibo_username = "改成你的微博账号" #改成你的微博账号    weibo_password = "改成你的微博密码" #改成你的微博密码
    a = taobao_infos()    a.login() #登录    a.crawl_good_data() #爬取天猫商品数据