首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >selenium 爬取淘宝相关数据

selenium 爬取淘宝相关数据

原创
作者头像
码农GT038527
修改2024-11-18 13:38:35
修改2024-11-18 13:38:35
9760
举报
文章被收录于专栏:练手小项目练手小项目

介绍

此程序使用selenium 爬取淘宝相关数据,爬取过程需要扫码登录一下,并且最终将数据存入json文件,爬取时间大概在几分钟左右

注:淘宝网有时会更新网页相关元素,需定期修改类选择器!!

思路

  • 我们首先拟定爬取关键词,然后对这些信息进行批量爬取
  • 我们想要的数据有图片链接,商品标题,商品价格,位置,店铺名称.......等等数据
  • 爬取过程中会有想要翻页的情况,我们可以自己定义一个最大的爬取页数,根据selenium特点编写翻页代码

程序

新建一个save_to_json.py文件,用于保存爬取数据

代码语言:python
复制
import json

def save(data):
    # 保存数据的文件路径
    file_path = './taobao_data.json'

    # 将数据逐条写入文件,每条数据后添加换行符
    with open(file_path, 'a', encoding='utf-8') as file:
        # 将字典转换为 JSON 字符串
        json_line = json.dumps(data, ensure_ascii=False)
        # 写入文件并添加换行符
        file.write(json_line + '\n')

新建一个save_to_csv.py文件,用于保存爬取数据

代码语言:python
复制
import csv

def save_product_to_csv(product):
    fieldnames = ['image', 'price', 'deal', 'title', 'shop', 'location']
    csv_file_path = "./taobao_data.csv"

    with open(csv_file_path, 'a', encoding='utf-8', newline='') as file:
        writer = csv.DictWriter(file, fieldnames=fieldnames)

        # 检查文件是否为空
        if file.tell() == 0:
            writer.writeheader()

        writer.writerow(product)

新建一个save_to_mongo.py文件,用于保存爬取数据

代码语言:python
复制
from pymongo import MongoClient

"""
# 连接到 MongoDB(如果尚未连接)
mongo -u root -p 123456 --authenticationDatabase admin

# 切换到 products_db 数据库
use products_db

# 查看 products_db 数据库中的所有集合
show collections

# 查看 products 集合中的前5数据
db.products.find().limit(5).pretty()

# 删除一个集合
db.products.drop()

# 退出 MongoDB Shell
exit
"""

def save_product_to_mongodb(product, db_name, collection_name):

    # TODO MongoDB 连接字符串
    connection_string = "mongodb://root:123456@192.168.10.66:27017/"
    # TODO 连接到 MongoDB
    client = MongoClient(connection_string)

    # TODO 选择数据库
    db = client[db_name]
    # TODO 选择集合
    collection = db[collection_name]

    # TODO 插入数据
    collection.insert_one(product)

新建一个taobao_selenium文件,作为主要执行程序入口

代码语言:python
复制
from selenium.common.exceptions import TimeoutException, NoSuchElementException
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from pyquery import PyQuery as pq
import time
import random
import save_to_json
import save_to_mongo
import save_to_csv


# TODO 浏览器相关配置
options = webdriver.EdgeOptions()
driver = webdriver.Edge(options = options)

# TODO 关键词和最大爬取页数
KEYWORD = "ipad"
MAX_PAGE = 10

# TODO 模拟登录
login_url = f"https://login.taobao.com/member/login.jhtml?spm=a21n57.1.754894437.1.281d523cnqsuAo&f=top&redirectURL=https%3A%2F%2Fs.taobao.com%2Fsearch%3Fq%3D{KEYWORD}"
driver.get(url = login_url)

print("登录成功,等待主页面加载...")
wait = WebDriverWait(driver, 20)

# TODO 数据爬取
def get_data():
    try:
        # TODO 把页面进行从上到下滚动,确保元素加载完全,应对懒加载技术
        for i in range(0, 8):
            driver.execute_script(f'window.scrollTo(0,{i * 1000 - 500})')
            time.sleep(random.randint(1, 2))

        divs = wait.until(EC.visibility_of_all_elements_located((By.CSS_SELECTOR, ".doubleCard--gO3Bz6bu")))
        for div in divs:
            try:
                # TODO 获取元素的innerHTML以便使用Pyquery解析
                inner_html = div.get_attribute('innerHTML')
                doc = pq(inner_html)

                # TODO 获取图像链接
                try:
                    image_element = doc('.mainPic--Ds3X7I8z')
                    image_src = image_element.attr('src')
                except Exception as e:
                    pass

                # TODO 获取价格元素
                price_element1 = doc('.priceInt--yqqZMJ5a').text()
                price_element2 = doc('.priceFloat--XpixvyQ1').text()

                # TODO 获取销售数量,使用try-except防止找不到元素
                try:
                    deal_element = doc('.realSales--XZJiepmt').text()
                except NoSuchElementException:
                    deal_element = "未提供"

                # TODO 获取其他信息
                title_element = doc('.title--qJ7Xg_90').text()
                shop_element = doc('.shopNameText--DmtlsDKm').text()
                location_element = doc('.procity--wlcT2xH9').text()

                product = {
                    'image': image_src,
                    'price': price_element1 + price_element2,
                    'deal': deal_element,
                    'title': title_element,
                    'shop': shop_element,
                    'location': location_element
                }

                # TODO 控制台数据打印
                print(product)

                # TODO 调用函数保存数据到json
                save_to_json.save(product)
                # TODO 调用函数保存数据到csv
                save_to_csv.save_product_to_csv(product)
                # TODO MongoDB数据库和集合名称
                db_name = 'products_db'
                collection_name = 'products'
                # TODO 调用函数保存数据到MongoDB
                save_to_mongo.save_product_to_mongodb(product, db_name, collection_name)

            except NoSuchElementException as e:
                print(f"处理div时发生错误:{e}")
            except TimeoutException:
                print("超时:未能找到元素")

    except TimeoutException:
        print("超时:未找到任何匹配的元素。")

# TODO 翻页爬取
def index_page(page):
    print('正在爬取第 ', page, ' 页')
    if page > 0:
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#search-content-leftWrap > div.leftContent--BdYLMbH8 > div.pgWrap--RTFKoWa6 > div > div > span.next-input.next-medium.next-pagination-jump-input > input')))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#search-content-leftWrap > div.leftContent--BdYLMbH8 > div.pgWrap--RTFKoWa6 > div > div > button.next-btn.next-medium.next-btn-normal.next-pagination-jump-go')))

        input.clear()
        input.send_keys(page)
        submit.click()

        # TODO 调用数据爬取函数
        get_data()

# TODO 主函数,调度翻页批量爬取
def main():
    for i in range(1, MAX_PAGE + 1):
        index_page(i)
        time.sleep(3)

main()

结果检查

  • 控制台输出,最后是点击回车,等待浏览器关闭
  • 查看csv中的几条数据
  • 查看其中几条mongodb的数据
  • 查看json中的一条数据(打开浏览器,使用插件查看其中一条数据)

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 介绍
  • 思路
  • 程序
  • 结果检查
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档