使用scrapy+selenium爬取淘宝网
2018-12-03 09:27:00来源:博客园 阅读 ()
第一步:
打开cmd,输入scrapy startproject taobao_s新建一个项目。
接着cd 进入我们的项目文件夹内输入scrapy genspider taobao www.taobao.com新建一个爬虫
文件内是这样的,tools是我建的一个工具模块,里面有一个处理数据的函数和selenium登录的函数。
class TaobaoSpider(scrapy.Spider): name = 'taobao' # allowed_domains = ['www.taobao.com'] base_url = ['https://s.taobao.com/search?q='] pages = 100 re_headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36', 'referer': 'https://www.taobao.com/', 'accept-encoding': 'gzip, deflate, b', } i = 1 def start_requests(self): keys = self.settings.get('KEYS')#获取要搜索的关键词 self.browser,list = register()#这里调用selenium登录的方法并返回browser和一个cookies self.browser.get(self.base_url[0]+keys)#使用browser登录淘宝商品搜索页面 self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")#使用execute_script执行js操作,这里是下拉到最底下 url_i = self.browser.current_url#获取selenium界面当前的url用来错误处理 html = self.browser.page_source#获取源代码 yield scrapy.Request(url=self.base_url[0]+keys,headers=self.re_headers,cookies=list,callback=self.parse,meta={'html':html,'i':self.i,'url':url_i}) def parse(self, response): time.sleep(5)#等待时间,可调 html = response.meta.get('html') i = response.meta.get("i") url_i = response.meta.get("url") i +=1 if i > 100:#因为翻一百页,到了之后就不在执行循环 return try: soup = BeautifulSoup(html,'html.parser') lists = soup.select('#mainsrp-itemlist > div > div > div > div') for list in lists:#这一段是解析数据 item = TaobaoSItem() url = list.select('a[class="pic-link J_ClickStat J_ItemPicA"]')[0].attrs.get('href','') name = list.select("a[class='J_ClickStat']")[0].get_text().strip() name = data_cleaning(name) price = list.select('div[class="price g_price g_price-highlight"] strong')[0].get_text() num = list.select('div[class="deal-cnt"]')[0].get_text() shop_name = list.select("a[class='shopname J_MouseEneterLeave J_ShopInfo']")[0].get_text().strip() shop_name = data_cleaning(shop_name) item['url'] = url item['name'] = name item['price'] = price item['num'] = num item['shop_name'] = shop_name yield item button = self.browser.find_elements(By.XPATH,'//a[@class="J_Ajax num icon-tag"]')[-1]#这里是获取点击下一页的,因为到第二页以后会有二个一样class的,一个是上一页,一个是下一页。 button.click()#点击进入下一页 time.sleep(random.random()*2) self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")#下拉操作 html = self.browser.page_source yield scrapy.Request(url=response.url,headers=self.re_headers,callback=self.parse,meta={'html':html,'i':i,'url':url_i},dont_filter=True) except Exception as e:#如果被淘宝抓到就重新登录,用保存的url在接着获取数据 time.sleep(10) print(e) self.browser.close() self.browser,list = register() self.browser.get(url=url_i) time.sleep(random.random()*2) self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)") html = self.browser.page_source yield scrapy.Request(url=response.url,headers=self.re_headers,callback=self.parse,meta={'html':html,'i':i,'url':url_i},dont_filter=True) def close(spider, reason):#这是结束时执行的函数,用来关掉开启的浏览器进程 spider.browser.close()
这是tools
def data_cleaning(data):#这是清洗数据的 if ' ' in data: data = re.sub(' ', '', data) if "'" in data: data = re.sub("'", '', data) if r'\n' in data: data = re.sub(r'\\n', '', data) return data def register():#这是登录的函数,主要 while True: #因为淘宝能够识别出selenium,有时我们会登录失败,会重新登录 browser = webdriver.FirefoxOptions() browser.add_argument('-headless') #无头浏览器 browser = webdriver.Firefox(firefox_options=browser) # browser = webdriver.Firefox() browser.get('https://login.taobao.com/member/login.jhtml')#进入登录页面try: input = WebDriverWait(browser, 10).until( EC.presence_of_element_located((By.CLASS_NAME, 'forget-pwd.J_Quick2Static'))) #因为登录页面有时候是扫码登录,使用需要我们点击切换到密码登录 input.click() except Exception as e: #因为页面有时是直接密码登录,使用如果直接是密码登录就不需要点击 print(e) user = browser.find_element(By.ID, 'TPL_username_1')#找到账号输入框 password = browser.find_element(By.ID, 'TPL_password_1')#密码输入框 user.send_keys(USER) #输入账号并等待一下 time.sleep(random.random() * 2) password.send_keys(PASSWORD)#输入密码并等待一下 time.sleep(random.random() * 1) browser.execute_script("Object.defineProperties(navigator,{webdriver:{get:() => false}})") #淘宝对selenium的识别主要是通过navigator.webdriver,使用selenium的浏览器api显示的是True,所有我们改成fALSE就可以过淘宝的检测 action = ActionChains(browser) time.sleep(random.random() * 1) butt = browser.find_element(By.ID, 'nc_1_n1z') browser.switch_to.frame(browser.find_element(By.ID, '_oid_ifr_')) browser.switch_to.default_content() action.click_and_hold(butt).perform() action.reset_actions() action.move_by_offset(285, 0).perform()#输入账号密码后会有一个滑动验证 time.sleep(random.random() * 1) button = browser.find_element(By.ID, 'J_SubmitStatic')#登录按钮 time.sleep(random.random() * 2) button.click() time.sleep(random.random() * 2) # browser.get('https://www.taobao.com/') cookie = browser.get_cookies()#获取cookies,原本想selenium实现登录,其他使用scrapy来,但是淘宝的商品搜索页的js找不到加上时间不够就没写了。 list = {}#scrapy携带的cookies需要字典类型的 for cookiez in cookie: name = cookiez['name'] value = cookiez['value'] list[name] = value if len(list) > 10: break else: browser.close() return browser,list
然后是数据保存
class TaobaoSPipeline(object): def open_spider(self,spider): #scrapy打开时启动,这里是打开或者新建一个txt文件,文件路径是当前路径 self.f = open('淘宝店铺数据.txt','w') def process_item(self, item, spider):#数据保存以字典的形式,也可以改成数据库或者csv data = {} data['url'] = item['url'] data['name'] = item['name'] data['price'] = item['price'] data['num'] = item['num'] data['shop_name'] = item['shop_name'] self.f.write(str(data)+'\n') return item def close_spider(self,spider):#scrapy结束时启动,用来关掉文件。 self.f.close()
代码地址 https://github.com/18370652038/taobao.git
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
上一篇:python 列表
下一篇:1119班Python第二周总结
- Django项目中使用qq第三方登录。 2019-08-13
- Python连载30-多线程之进程&线程&线程使用 2019-08-13
- Python学习日记(十) 生成器和迭代器 2019-08-13
- 【Python】语法基础 | 开始使用Python 2019-08-13
- 使用scrapy框架爬取全书网书籍信息。 2019-08-13
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash