@TOC

簡介

現(xiàn)在爬取淘寶，天貓商品數(shù)據(jù)都是需要首先進(jìn)行登錄的。上一節(jié)我們已經(jīng)完成了模擬登錄淘寶的步驟赞咙，所以在此不詳細(xì)講如何模擬登錄淘寶。把關(guān)鍵點(diǎn)放在如何爬取天貓商品數(shù)據(jù)上撮珠。

過去我曾經(jīng)使用get/post方式進(jìn)行爬蟲，同時(shí)也加入IP代理池進(jìn)行跳過檢驗(yàn)金矛，但隨著大型網(wǎng)站的升級芯急，采取該策略比較難實(shí)現(xiàn)了倘潜。因?yàn)槟闶褂胓et/post方式進(jìn)行爬取數(shù)據(jù)，會(huì)提示需要登錄志于，而登錄又是一大難題，需要滑動(dòng)驗(yàn)證碼驗(yàn)證废睦。當(dāng)你想使用IP代理池進(jìn)行跳過檢驗(yàn)時(shí)伺绽，發(fā)現(xiàn)登錄時(shí)需要手機(jī)短信驗(yàn)證碼驗(yàn)證，由此可以知道舊的全自動(dòng)爬取數(shù)據(jù)對于大型網(wǎng)站比較困難了(小型網(wǎng)站可以使用get/post嗜湃，沒檢測或者檢測系數(shù)較低)奈应。

selenium是一款優(yōu)秀的WEB自動(dòng)化測試工具，所以現(xiàn)在采用selenium進(jìn)行半自動(dòng)化爬取數(shù)據(jù)购披。

編寫思路

由于現(xiàn)在大型網(wǎng)站對selenium工具進(jìn)行檢測杖挣，若檢測到selenium，則判定為機(jī)器人刚陡，訪問被拒絕惩妇。所以第一步是要防止被檢測出為機(jī)器人，如何防止被檢測到呢筐乳？當(dāng)使用selenium進(jìn)行自動(dòng)化操作時(shí)歌殃，在chrome瀏覽器中的consloe中輸入windows.navigator.webdriver會(huì)發(fā)現(xiàn)結(jié)果為Ture，而正常使用瀏覽器的時(shí)候該值為False蝙云。所以我們將windows.navigator.webdriver進(jìn)行屏蔽氓皱。
在代碼中添加：

        options = webdriver.ChromeOptions()
        # 此步驟很重要，設(shè)置為開發(fā)者模式勃刨，防止被各大網(wǎng)站識別出來使用了Selenium
        options.add_experimental_option('excludeSwitches', ['enable-automation']) 
        self.browser = webdriver.Chrome(executable_path=chromedriver_path, options=options)

同時(shí)波材，為了加快爬取速度，我們將瀏覽器模式設(shè)置為不加載圖片身隐，在代碼中添加：

        options = webdriver.ChromeOptions()
        # 不加載圖片,加快訪問速度
        options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) 

同時(shí)廷区，為了模擬人工操作，我們在瀏覽網(wǎng)頁的時(shí)候抡医，模擬下滑躲因，插入代碼：

    # 模擬向下滑動(dòng)瀏覽
    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)

至此，關(guān)鍵的步驟我們已經(jīng)懂了忌傻，剩下的就是編寫代碼的事情了大脉。在給定的例子中，需要你對html水孩、css有一定了解镰矿。
比如存在以下代碼：

        self.browser.find_element_by_xpath('//*[@class="btn_tip"]/a/span').click()
        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 ')))
        print(taobao_name.text)

第1行代碼指的是從根目錄(//)開始尋找任意(*)一個(gè)class名為btn_tip的元素，并找到btn_tip的子元素a標(biāo)簽中的子元素span

第2行代碼指的是等待某個(gè)CSS元素出現(xiàn)俘种，否則代碼停留在這里一直檢測秤标。以.開頭的在CSS中表示類名(class)绝淡，以#開頭的在CSS中表示ID名(id)。A > B苍姜，指的是A的子元素B牢酵。所以這行代碼可以理解為尋找A的子元素B的子元素C的子元素D的子元素E出現(xiàn)，否則一直在這里檢測衙猪。

第3行代碼指的是打印某個(gè)元素的文本內(nèi)容

看完上面的代碼馍乙，我們大概了解了selenium中html、css的基本規(guī)則垫释。我們來實(shí)踐一下丝格，在搜索商品的時(shí)候如何檢測一共有多少頁呢？不妨看看以下代碼：

        # 等待該頁面全部商品數(shù)據(jù)加載完畢
        good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))

        # 等待該頁面input輸入框加載完畢
        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')))

        # 獲取當(dāng)前頁
        now_page = input.get_attribute('value')
        print("當(dāng)前頁數(shù)" + now_page + ",總共頁數(shù)" + page_total)

打開chrome中的控制臺(tái)棵譬，轉(zhuǎn)向console显蝌。點(diǎn)擊console面板中的十字指針，移動(dòng)到網(wǎng)頁中的“共31頁订咸，到第1頁”曼尊，然后點(diǎn)擊。你就可以看到該元素的class名為ui-page-skipTo算谈，由于在css中涩禀，class用.表示，所以代碼為.ui-page-skipTo然眼。

同時(shí)由于他的類型是input輸入框艾船，變成input.ui-page-skipTo。那么是否可以把代碼直接寫成.ui-page-skipTo呢高每？答案是不一定屿岂，如果這個(gè)元素在網(wǎng)頁中是唯一的，沒有其他的input的名字也叫ui-page-skipTo的話鲸匿，就可以爷怀。

所以，為了保證代碼健壯性带欢，我們從他的父元素一直查找运授，直到我們覺得那個(gè)父元素是唯一的，那么這樣查找到的元素就是唯一的了乔煞。所以最終查找到的結(jié)果為.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo

最后吁朦，我們獲取這個(gè)Input的值，代碼為input.get_attribute('value')

在獲取商品數(shù)據(jù)中渡贾，存在以下代碼：

        # 獲取本頁面源代碼
        html = self.browser.page_source

        # pq模塊解析網(wǎng)頁源代碼
        doc = pq(html)

        # 存儲(chǔ)天貓商品數(shù)據(jù)
        good_items = doc('#J_ItemList .product').items()

        # 遍歷該頁的所有商品
        for item in good_items:
            good_title = item.find('.productTitle').text().replace('\n',"").replace('\r',"")
            good_status = item.find('.productStatus').text().replace(" ","").replace("筆","").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')

首先逗宜，我們獲取本頁面的源代碼html = self.browser.page_source，然后用pq模塊對源代碼進(jìn)行格式化解析doc = pq(html)，通過上面的講解纺讲，我們已經(jīng)學(xué)會(huì)了如何分析css元素了擂仍。你會(huì)發(fā)現(xiàn)有一個(gè)DIV元素包含著所有商品元素，他的ID(不是class哦)為J_ItemList熬甚，所以代碼為#J_ItemList逢渔，由于我們要獲取的是每一個(gè)商品，所以代碼為#J_ItemList .product乡括，這樣就可以獲取所有class名為product的元素啦复局。

接著對每個(gè)商品元素進(jìn)行分析，后面的就不必詳細(xì)說了粟判。replace函數(shù)是對文本進(jìn)行一些基本替換。

使用教程

1. 點(diǎn)擊這里下載下載chrome瀏覽器
2. 查看chrome瀏覽器的版本號峦剔，點(diǎn)擊這里下載對應(yīng)版本號的chromedriver驅(qū)動(dòng)
3. pip安裝下列包
   • [x] pip install selenium
4. 點(diǎn)擊這里登錄微博档礁，并通過微博綁定淘寶賬號密碼
5. 在main中填寫chromedriver的絕對路徑
6. 在main中填寫微博賬號密碼

    #改成你的chromedriver的完整路徑地址
    chromedriver_path = "/Users/bird/Desktop/chromedriver.exe" 
    #改成你的微博賬號
    weibo_username = "改成你的微博賬號"
    #改成你的微博密碼
    weibo_password = "改成你的微博密碼"
    

演示圖片

源代碼

項(xiàng)目源代碼在GitHub倉庫

項(xiàng)目持續(xù)更新，歡迎您star本項(xiàng)目