当前位置 博文首页 > Python 爬取淘宝商品信息栏目的实现

    Python 爬取淘宝商品信息栏目的实现

    作者:qq_45893626 时间:2021-07-27 18:59

    一、相关知识点

    1.1、Selenium

    Selenium是一个强大的开源Web功能测试工具系列,可进行读入测试套件、执行测试和记录测试结果,模拟真实用户操作,包括浏览页面、点击链接、输入文字、提交表单、触发鼠标事件等操作,并且能够对页面结果进行种种验证。也就是说,只要在测试用例中把预期的用户行为与结果都描述出来,我们就得到了一个可以自动化运行的功能测试套件。

    1.2、ActionChains
    Actionchains是selenium里面专门处理鼠标相关的操作如:鼠标移动,鼠标按钮操作,按键和上下文菜单(鼠标右键)交互。这对于做更复杂的动作非常有用,比如悬停和拖放。

    1.3、time
    返回当前时间的时间戳

    1.4、lxml
    lxml是一个Python库,使用它可以轻松处理XML和HTML文件,还可以用于web爬取。市面上有很多现成的XML解析器,但是为了获得更好的结果,开发人员有时更愿意编写自己的XML和HTML解析器。这时lxml库就派上用场了。这个库的主要优点是易于使用,在解析大型文档时速度非常快,归档的也非常好,并且提供了简单的转换方法来将数据转换为Python数据类型,从而使文件操作更容易。

    1.5、csv
    csv文件格式是一种通用的电子表格和数据库导入导出格式。最近我调用RPC处理服务器数据时,经常需要将数据做个存档便使用了这一方便的格式。

    1.6、requests
    Requests 库是一个优雅而简单的 Python HTTP 库,主要用于发送和处理 HTTP 请求

    二、部分代码解析

    加载Chrome驱动,动态解析爬取的网址

     #提取公共的爬取信息的api
     def commonsdk(self,url):
     browser = webdriver.Chrome('D:/chromedriver.exe')
     try:
     browser.get(url)
     except Exception as e:
     browser.execute_script('window.stop()') # 超出时间则不加载
     print(e, 'dynamic web load timeout')
     return browser;
    

    实现模拟登录

    通过定位淘宝登陆界面的url的表单框,然后输入自己的用户名及密码,再模拟鼠标点击事件,继而提交表单信息实现用户登录。

    #模拟登录
     def logon(self,url,a_href_list_next):
     username = "淘宝账户名"
     password = "密码"
     browser1 = self.commonsdk(url)
     #登录账号
     browser1.find_element_by_id('fm-login-id').send_keys(username)
     browser1.find_element_by_id('fm-login-password').send_keys(password)
     #模拟用户点击登录
     browser1.find_element_by_xpath('//*[@]/div[4]/button').click()
     #解析商品信息
     self.Buy_information(a_href_list_next,browser1)

    爬取侧边栏目录
    1、首先定位到目录分类栏,鼠标光标移动到需要选中的那一栏,继而会出现隐藏的div,(这里需要实现鼠标悬停事件)action.move_to_element(li_list).perform()实现了这一功能。
    2、然后定位自己所需要爬取的侧边栏的那一行或多行,通过实现鼠标悬停事件后获取其中内容。
    3、获取其超链接进入下一界面

    #爬取目录
     def List(self,url):
     browser = self.commonsdk(url)
     #ActionChains类实现鼠标的单击、双击、拖拽等功能
     action = ActionChains(browser)
     li_list = browser.find_elements_by_css_selector('.service-bd li')[1]
     #实现执行鼠标悬停,便于爬取悬停内容
     action.move_to_element(li_list).perform()
     time.sleep(5)
    
     #爬取整个目录的div
     div_list = browser.find_element_by_css_selector('.service-fi-links')
     #爬取其中的总的名称
     h5_list = div_list.find_elements_by_css_selector('h5')
     #爬取小标题的名称
     p_list = div_list.find_elements_by_css_selector('p')
     #获取a标签
     a_href_list = div_list.find_elements_by_css_selector('a')
     #获取a标签的超链接
     a_href_list_next = div_list.find_elements_by_css_selector('a')[1].get_attribute('href')
    
     print(li_list.text)
     for j in range(len(p_list)):
     if j<len(p_list):
     print(h5_list[j].text)
     print(p_list[j].text)
     for i in range(len(a_href_list)):
     print(a_href_list[i].get_attribute('href'))
    
     #获取登录框
     logon = browser.find_element_by_id('J_SiteNavBd')
     #获取登录框的超链接
     logon_url = logon.find_element_by_css_selector('a').get_attribute('href')
     #先关闭第一个网页
     browser.close()
     self.logon(logon_url,a_href_list_next)

    获取商品信息

    1、这里使用的定位方式是Xpath方式,使用了绝对定位来获取标签的位置。

    #爬取商品信息
     def Buy_information(self,url,browser):
     browser.get(url)
     div_list = browser.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]')
     img = div_list.find_element_by_css_selector('img')
     img_url = "https:"+img.get_attribute('data-src')
     price = div_list.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]/div[2]/div[1]/div[1]').text
     number = div_list.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]/div[2]/div[1]/div[2]').text
     shoping_information = div_list.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]/div[2]/div[2]').text
     shop = div_list.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]/div[2]/div[3]/div[1]/a').text
     adress = div_list.find_element_by_xpath('//*[@]/div/div/div[1]/div[1]/div[2]/div[3]/div[2]').text
     path = self.img_baocun(img_url)
     data={
     '图片路径':path,
     '价格':price,
     '购买人数':number,
     '商品信息':shoping_information,
     '商家':shop,
     '籍贯':adress
     }
     self.write_dictionary_to_csv(data,'information')

    下载图片

    通过获取到的图片的url,然后将图片下载到指定的文件夹内

    #下载照片
     def img_baocun(self,url):
     root = "文件夹下载的路径"//电脑上的绝对路径
     path = root + url.split('?')[0].split('/')[-1].strip('')#获取jpg的名称
     #判断是否存在该路径,不存在则创建
     if not os.path.exists(root):
     os.mkdir(root)
     #判断是否存在该图片,存在则不下载
     if not os.path.exists(path):
     r = requests.get(url)
     r.raise_for_status()
     with open(path,'wb') as f:
     f.write(r.content)
     return path

    将需要爬取的信息写入到csv文件中,便于查看
    1、商品信息以字典的形式写入csv文件中方便查看。

    #将解析得到的内容(字典格式)逐行写入csv文件
     def write_dictionary_to_csv(self,dict,filename):
     #格式化文件名
     file_name='{}.csv'.format(filename)
     with open(file_name, 'a',encoding='utf-8') as f: 
     file_exists = os.path.isfile(filename)
     #delimiter(定界符) 
     w =csv.DictWriter(f, dict.keys(),delimiter=',', quotechar='"', lineterminator='\n',quoting=csv.QUOTE_ALL, skipinitialspace=True)
     if not file_exists :
     w.writeheader()
     w.writerow(dict)
     print('当前行写入csv成功!')

    三、程序思路

    1、首先定位到侧边栏的位置,然后使用action.move_to_element(li_list).perform()的方法实现鼠标的动态悬停,让隐藏的div显示出来,再获取其中的信息。
    2、然后再实现模拟登录的功能,登录账号,获取其中的商品信息(由于淘宝的反扒机制,多次登录会让用户扫码登录,此功能暂未实现)
    3、商品信息的获取使用Xpath的绝对定位方式来获取。

    Xpath的使用方式:
     右键需要定位的标签->选中Copy选项->Copy Xpath

    四、发展空间

    1、解决淘宝反扒机制的问题。传送门,解决问题
    2、文件的写入换用其他方式。

    jsjbwy
    下一篇:没有了