python爬虫之爬取商品数据 python爬虫内容

不知不觉今年的520就过去了，祝没有脱单的小伙伴抓紧发挥你的独特的魅力，明年520之前脱单。恭喜已经脱单的朋友，祝你们幸福！

今年520为了给女友买礼物可也算是煞费苦心了，当然买礼物还不如帮她清空购物车来得直接一些。不知道各位小伙伴今年买了什么礼物啊。

除了重要的节日需要网上购买之外，平时她也是需要买日常的衣物，今天就来获取淘宝网的所有文胸数据，供她挑选，当然最后结账的也是你。

本次文章的字数可能会比之前多一些，我也是争取每一次爬取的技术都会提高一些，这样大家阅读起来也会轻松一些，不至于看不懂。今天的文章大概需要10分钟左右的时间才可以看完，希望各位小伙伴可以耐心一点。

随着时间的推移，文章难度需要提升，现在每篇文章都需要花两到3天的时间才可以完成，又要录制视频教程，所以会比之前更新的慢一些，希望小伙伴们可以理解。

在爬取信息之前需要先介绍一下，Python的一个自动化测试工具selenium，这个是本次的重点内容。如果熟悉selenium的小伙伴可以直接略过。

1.selenium简介

selenium是一个用于测试网站的自动化测试工具，支持很多主流的浏览器，比如：谷歌浏览器、火狐浏览器、IE、Safari等。

2.支持多个操作系统

如windows、Linux、IOS、Android等。

3、安装selenium

pip install Selenium

4、安装浏览器驱动

1、Chrome驱动文件下载：

https://chromedriver.storage.googleapis.com/index.html?path=2.35/

2、火狐浏览器驱动下载：

https://github.com/mozilla/geckodriver/releases/tag/v0.26.0

5、配置环境变量

配置环境变量的方法非常简单，首先将下载好的驱动进行解压，放到你安装Python的目录下，即可。

因为之前，在配置Python环境变量的时候，就将Python的目录放到我的电脑–>属性–>系统设置–>高级–>环境变量–>系统变量–>Path

Python安装路径

二、selenium快速入门

1、selenium提供8种定位方式

1、id

2、name

3、class name

4、tag name

5、link text

6、partial link text

7、xpath

8、css selector

2、定位元素的8种方式详解

3、selenium库下webdriver模块常用的方法与使用

控制浏览器的一些方法

4、代码实例

from selenium import webdriverimport time# 创建Chrome浏览器对象，这会在电脑中打开一个窗口browser = webdriver.Chrome()# 通过浏览器向服务器发起请求browser.get('https://www.baidu.com')time.sleep(3)# 刷新浏览器browser.refresh()# 最大化浏览器窗口browser.maximize_window()# 设置链接内容element = browser.find_element_by_link_text('抗击肺炎')# 点击'抗击肺炎'element.click()关于selenium的简单介绍就先到这里了，更多详细内容大家可以去selenium官方文档查看。

关于selenium的简单介绍就先到这里了，更多详细内容大家可以去selenium官方文档查看。

爬取数据

从上图，可以看到需要获取的信息是：价格、商品名称、付款人数、店铺名称。

现在我们开始进入主题。

首先，需要输入你要搜索商品的内容，然后根据内容去搜索淘宝信息，最后提取信息并保存。

1、搜素商品

我在这里定义一个搜索商品的函数和一个主函数。

搜索商品

在这里需要创建一个浏览器对象，并且根据该对象的get方法来发送请求。

从上图可以发现搜索框的id值为q，那么这样就简单很多了，有HTML基础的朋友肯定知道id值是唯一的。

通过id值可以获取到文本框的位置，并传入参数，然后点击搜索按钮。

从上图可以发现搜索按钮在一个类里面，那么可以通过这个类来定位到搜索按钮，并执行点击操作。

当点击搜索按钮之后，网页便会跳转到登录界面，要求我们登录，如下图所示：

登录成功后会发现，里面的数据总共有100页面。

上图是前三页的url地址，你会发现其实并没有太大的变化，经过测试发现，真正有效的参数是框起来的内容，它的变化会导致页面的跳转，很明显第一页的s=0，第二页s=44，第三页s=88，以此类推，之后就可以轻松做到翻页了。

搜搜商品的代码如下：

def search_product(key_word):    '''    :param key_word: 搜索关键字    :return:    '''    # 通过id值来获取文本框的位置，并传入关键字    browser.find_element_by_id('q').send_keys(key_word)    # 通过class来获取到搜索按钮的位置，并点击    browser.find_element_by_class_name('btn-search').click()    # 最大化窗口    browser.maximize_window()    time.sleep(15)    page = browser.find_element_by_xpath('//div[@class="total"]').text  # 共 100 页，    page = re.findall('(\d+)', page)[0] # findall返回一个列表    return page

2、获取商品信息并保存

获取商品信息相对比较简单，可以通过xpath方式来获取数据。在这里我就不再论述。在这边我创建了一个函数get_product来获取并保存信息。在保存信息的过程中使用到了csv模块，目的是将信息保存到csv里面。

代码如下：

def get_product():    divs = driver.find_elements_by_xpath('//div[@class="items"]/div[@class="item J_MouserOnverReq  "]')# 这里返回的是列表，注意：elements    for div in divs:        info = div.find_element_by_xpath('.//div[@class="row row-2 title"]/a').text        price = div.find_element_by_xpath('.//strong').text + '元'        nums = div.find_element_by_xpath('.//div[@class="deal-cnt"]').text        names = div.find_element_by_xpath('.//div[@class="shop"]/a').text        print(info, price, nums, names,sep='|')        with open('data3.csv', mode='a', newline='', encoding='utf-8') as file:            csv_writer = csv.writer(file, delimiter=',')    # 指定分隔符为逗号            csv_writer.writerow([info, price, nums, names])

3、构造URL实现翻页爬取

从上面的图片中可以发现连续三页URL的地址，其实真正变化并不是很多，经过测试发现，只有q和s两个参数是有用的。

构造出的url：https://s.taobao.com/search?q={}&s={}

因为q是你要搜索的商品，s是设置翻页的参数。这段代码就放在了主函数里面

代码如下：

def main():    browser.get('https://www.taobao.com/')  # 向服务器发送请求    page = search_product(key_word)    print('正在爬取第1页的数据')    get_product()   # 已经获得第1页的数据    page_nums = 1    while page_nums != page:        print('*'*100)        print('正在爬取第{}页的数据'.format(page_nums+1))        browser.get('https://s.taobao.com/search?q={}&s={}'.format(key_word, page_nums*44))        browser.implicitly_wait(10) # 等待10秒        get_product()        page_nums += 1

最后结果，如下图所示：

—— E N D ——

好了，又到了该说再见的时候了，希望我的文章可以给你带来知识，带给你帮助。同时也感谢你可以抽出你宝贵的时间来阅读，创作不易，如果你喜欢的话，点个关注再走吧。更多精彩内容会在后续更新，你的支持就是我创作的动力，我今后也会尽力给大家书写出更加优质的文章。