使用scrapy+selenium爬取淘寶網
摘要：
第一步：
開啟cmd，輸入scrapy startproject taobao_s新建一個專案。
接著cd 進入我們的專案資料夾內輸入scrapy genspider taobao www.taobao.com新建一個爬蟲
檔案內是這樣的，tools是我建的一個...
第一步：
開啟cmd，輸入scrapy startproject taobao_s新建一個專案。
接著cd 進入我們的專案資料夾內輸入scrapy genspider taobao www.taobao.com新建一個爬蟲
檔案內是這樣的，tools是我建的一個工具模組，裡面有一個處理資料的函式和selenium登入的函式。
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')#獲取要搜尋的關鍵詞
self.browser,list = register()#這裡呼叫selenium登入的方法並返回browser和一個cookies
self.browser.get(self.base_url[0]+keys)#使用browser登入淘寶商品搜尋頁面
self.browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")#使用execute_script執行js操作，這裡是下拉到最底下
url_i = self.browser.current_url#獲取selenium介面當前的url用來錯誤處理
html = self.browser.page_source#獲取原始碼
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)#等待時間，可調
html = response.meta.get('html')
i = response.meta.get("i")
url_i = response.meta.get("url")
i +=1
if i > 100:#因為翻一百頁，到了之後就不在執行迴圈
return
try:
soup = BeautifulSoup(html,'html.parser')
lists = soup.select('#mainsrp-itemlist > div > div > div > div')
for list in lists:#這一段是解析資料
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]#這裡是獲取點選下一頁的，因為到第二頁以後會有二個一樣class的，一個是上一頁，一個是下一頁。
button.click()#點選進入下一頁
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:#如果被淘寶抓到就重新登入，用儲存的url在接著獲取資料
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):#這是結束時執行的函式，用來關掉開啟的瀏覽器程序
spider.browser.close()
這是tools
def data_cleaning(data):#這是清洗資料的
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():#這是登入的函式，主要
while True: #因為淘寶能夠識別出selenium，有時我們會登入失敗，會重新登入
browser = webdriver.FirefoxOptions()
browser.add_argument('-headless') #無頭瀏覽器
browser = webdriver.Firefox(firefox_options=browser)
# browser = webdriver.Firefox()
browser.get('https://login.taobao.com/member/login.jhtml')#進入登入頁面try:
input = WebDriverWait(browser, 10).until(
EC.presence_of_element_located((By.CLASS_NAME, 'forget-pwd.J_Quick2Static'))) #因為登入頁面有時候是掃碼登入，使用需要我們點選切換到密碼登入
input.click()
except Exception as e: #因為頁面有時是直接密碼登入，使用如果直接是密碼登入就不需要點選
print(e)
user = browser.find_element(By.ID, 'TPL_username_1')#找到賬號輸入框
password = browser.find_element(By.ID, 'TPL_password_1')#密碼輸入框
user.send_keys(USER) #輸入賬號並等待一下
time.sleep(random.random() * 2)
password.send_keys(PASSWORD)#輸入密碼並等待一下
time.sleep(random.random() * 1)
browser.execute_script("Object.defineProperties(navigator,{webdriver:{get:() => false}})") #淘寶對selenium的識別主要是通過navigator.webdriver,使用selenium的瀏覽器api顯示的是True，所有我們改成fALSE就可以過淘寶的檢測
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()#輸入賬號密碼後會有一個滑動驗證
time.sleep(random.random() * 1)
button = browser.find_element(By.ID, 'J_SubmitStatic')#登入按鈕
time.sleep(random.random() * 2)
button.click()
time.sleep(random.random() * 2)
# browser.get('https://www.taobao.com/')
cookie = browser.get_cookies()#獲取cookies，原本想selenium實現登入，其他使用scrapy來，但是淘寶的商品搜尋頁的js找不到加上時間不夠就沒寫了。
list = {}#scrapy攜帶的cookies需要字典型別的
for cookiez in cookie:
name = cookiez['name']
value = cookiez['value']
list[name] = value
if len(list) > 10:
break
else:
browser.close()
return browser,list
然後是資料儲存
class TaobaoSPipeline(object):
def open_spider(self,spider): #scrapy開啟時啟動，這裡是開啟或者新建一個txt檔案，檔案路徑是當前路徑
self.f = open('淘寶店鋪資料.txt','w')
def process_item(self, item, spider):#資料儲存以字典的形式，也可以改成資料庫或者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結束時啟動，用來關掉檔案。
self.f.close()
程式碼地址 https://github.com/18370652038/taobao.git