使用selenium抓取淘寶的商品信息

　　淘寶的頁面大量使用了js載入數據，所以採用selenium來進行爬取更為簡單，selenum作為一個測試工具，主要配合無視窗瀏覽器phantomjs來使用。

import re
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from pyquery import PyQuery as pq

'''
wait.until()語句是selenum裡面的顯示等待，wait是一個WebDriverWait對象，它設置了等待時間，如果頁面在等待時間內
沒有在 DOM中找到元素，將繼續等待，超出設定時間後則拋出找不到元素的異常,也可以說程式每隔xx秒看一眼，如果條件
成立了，則執行下一步，否則繼續等待，直到超過設置的最長時間，然後拋出TimeoutException
1.presence_of_element_located 元素載入出，傳入定位元組，如(By.ID, 'p')
2.element_to_be_clickable 元素可點擊
3.text_to_be_present_in_element 某個元素文本包含某文字
'''
# 定義一個無界面的瀏覽器
browser = webdriver.PhantomJS(
    service_args=[
        '--load-images=false',
        '--disk-cache=true'])
# 10s無響應就down掉
wait = WebDriverWait(browser, 10)
#雖然無界面但是必須要定義視窗
browser.set_window_size(1400, 900)


def search():
    '''
    此函數的作用為完成首頁點擊搜索的功能，替換標簽可用於其他網頁使用
    :return:
    '''
    print('正在搜索')
    try:
        #訪問頁面
        browser.get('https://www.taobao.com')
        # 選擇到淘寶首頁的輸入框
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))
        )
        #搜索的那個按鈕
        submit = wait.until(EC.element_to_be_clickable(
            (By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))
        #send_key作為寫到input的內容
        input.send_keys('麵條')
        #執行點擊搜索的操作
        submit.click()
        #查看到當前的頁碼一共是多少頁
        total = wait.until(EC.presence_of_element_located(
            (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))
        #獲取所有的商品
        get_products()
        #返回總頁數
        return total.text
    except TimeoutException:
        return search()


def next_page(page_number):
    '''
    翻頁函數，
    :param page_number:
    :return:
    '''
    print('正在翻頁', page_number)
    try:
        #這個是我們跳轉頁的輸入框
        input = wait.until(EC.presence_of_element_located(
            (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))
        #跳轉時的確定按鈕
        submit = wait.until(
            EC.element_to_be_clickable(
                (By.CSS_SELECTOR,
                 '#mainsrp-pager > div > div > div > div.form > span.J_Submit')))
        #清除裡面的數字
        input.clear()
        #重新輸入數字
        input.send_keys(page_number)
        #選擇並點擊
        submit.click()
        #判斷當前頁是不是我們要現實的頁
        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)))
        #調用函數獲取商品信息
        get_products()
    #捕捉超時，重新進入翻頁的函數
    except TimeoutException:
        next_page(page_number)


def get_products():
    '''
    搜到頁面信息在此函數在爬取我們需要的信息
    :return:
    '''
    #每一個商品標簽，這裡是載入出來以後才會拿網頁源代碼
    wait.until(EC.presence_of_element_located(
        (By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
    #這裡拿到的是整個網頁源代碼
    html = browser.page_source
    #pq解析網頁源代碼
    doc = pq(html)
    items = doc('#mainsrp-itemlist .items .item').items()
    for item in items:
        # print(item)
        product = {
            'image': item.find('.pic .img').attr('src'),
            'price': item.find('.price').text(),
            'deal': item.find('.deal-cnt').text()[:-3],
            'title': item.find('.title').text(),
            'shop': item.find('.shop').text(),
            'location': item.find('.location').text()
        }
        print(product)


def main():
    try:
        #第一步搜索
        total = search()
        #int類型剛纔找到的總頁數標簽，作為跳出迴圈的條件
        total = int(re.compile('(\d+)').search(total).group(1))
        #只要後面還有就繼續爬，繼續翻頁
        for i in range(2, total + 1):
            next_page(i)
    except Exception:
        print('出錯啦')
    finally:
        #關閉瀏覽器
        browser.close()


if __name__ == '__main__':
    main()