【摘要】 在前一章中，我們已經成功嘗試分析Ajax來抓取相關數據，但是并不是所有頁面都可以通過分析Ajax來完成抓取。比如，淘寶，它的整個頁面數據確實也是通過Ajax獲取的，但是這些Ajax接口參數比較復雜，可能會包含加密密鑰等，所以如果想自己構造Ajax參數，還是比較困難的。對于這種頁面，最方便快捷的抓取方法就是通過Selenium。
本節中，我們就用Selenium來模擬瀏覽器操作，抓取淘寶的商品信息，并將結果保存到MongoDB。
1. 本節目標
本節中，我們要利用Selenium抓取淘寶商品并用pyquery解析得到商品的圖片、名稱、價格、購買人數、店鋪名稱和店鋪所在地信息，并將其保存到MongoDB。
2. 準備工作
本節中，我們首先以Chrome為例來講解Selenium的用法。在開始之前，請確保已經正確安裝好Chrome瀏覽器并配置好了ChromeDriver；另外，還需要正確安裝Python的Selenium庫；最后，還對接了PhantomJS和Firefox，請確保安裝好PhantomJS和Firefox并配置好了GeckoDriver。如果環境沒有配置好，可參考第1章。
3. 接口分析
首先，我們來看下淘寶的接口，看看它比一般Ajax多了怎樣的內容。
打開淘寶頁面，搜索商品，比如iPad，此時打開開發者工具，截獲Ajax請求，我們可以發現獲取商品列表的接口，如圖7-19所示。
圖7-19 列表接口
它的鏈接包含了幾個GET參數，如果要想構造Ajax鏈接，直接請求再好不過了，它的返回內容是JSON格式，如圖7-20所示。
圖7-20 JSON數據
但是這個Ajax接口包含幾個參數，其中_ksTS、rn參數不能直接發現其規律，如果要去探尋它的生成規律，也不是做不到，但這樣相對會比較煩瑣，所以如果直接用Selenium來模擬瀏覽器的話，就不需要再關注這些接口參數了，只要在瀏覽器里面可以看到的，都可以爬取。這也是我們選用Selenium爬取淘寶的原因。
4. 頁面分析
本節的目標是爬取商品信息。圖7-21是一個商品條目，其中包含商品的基本信息，包括商品圖片、名稱、價格、購買人數、店鋪名稱和店鋪所在地，我們要做的就是將這些信息都抓取下來。
圖7-21 商品條目
抓取入口就是淘寶的搜索頁面，這個鏈接可以通過直接構造參數訪問。例如，如果搜索iPad，就可以直接訪問https://s.taobao.com/search?q=iPad，呈現的就是第一頁的搜索結果，如圖7-22所示。
圖7-22 搜索結果
在頁面下方，有一個分頁導航，其中既包括前5頁的鏈接，也包括下一頁的鏈接，同時還有一個輸入任意頁碼跳轉的鏈接，如圖7-23所示。
圖7-23 分頁導航
這里商品的搜索結果一般最大都為100頁，要獲取每一頁的內容，只需要將頁碼從1到100順序遍歷即可，頁碼數是確定的。所以，直接在頁面跳轉文本框中輸入要跳轉的頁碼，然后點擊“確定”按鈕即可跳轉到頁碼對應的頁面。
這里不直接點擊“下一頁”的原因是：一旦爬取過程中出現異常退出，比如到50頁退出了，此時點擊“下一頁”時，就無法快速切換到對應的后續頁面了。此外，在爬取過程中，也需要記錄當前的頁碼數，而且一旦點擊“下一頁”之后頁面加載失敗，還需要做異常檢測，檢測當前頁面是加載到了第幾頁。整個流程相對比較復雜，所以這里我們直接用跳轉的方式來爬取頁面。
當我們成功加載出某一頁商品列表時，利用Selenium即可獲取頁面源代碼，然后再用相應的解析庫解析即可。這里我們選用pyquery進行解析。下面我們用代碼來實現整個抓取過程。
5. 獲取商品列表
首先，需要構造一個抓取的URL：https://s.taobao.com/search?q=iPad。這個URL非常簡潔，參數q就是要搜索的關鍵字。只要改變這個參數，即可獲取不同商品的列表。這里我們將商品的關鍵字定義成一個變量，然后構造出這樣的一個URL。
然后，就需要用Selenium進行抓取了。我們實現如下抓取列表頁的方法：
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote
browser = webdriver.Chrome()
wait = WebDriverWait(browser, 10)
KEYWORD = 'iPad'
def index_page(page):
"""
抓取索引頁
:param page: 頁碼
"""
print('正在爬取第', page, '頁')
try:
url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)
browser.get(url)
if page > 1:
input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))
submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')))
input.clear()
input.send_keys(page)
submit.click()
wait.until(
EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
get_products()
except TimeoutException:
index_page(page)
這里首先構造了一個WebDriver對象，使用的瀏覽器是Chrome，然后指定一個關鍵詞，如iPad，接著定義了index_page()方法，用于抓取商品列表頁。
在該方法里，我們首先訪問了搜索商品的鏈接，然后判斷了當前的頁碼，如果大于1，就進行跳頁操作，否則等待頁面加載完成。
等待加載時，我們使用了WebDriverWait對象，它可以指定等待條件，同時指定一個最長等待時間，這里指定為最長10秒。如果在這個時間內成功匹配了等待條件，也就是說頁面元素成功加載出來了，就立即返回相應結果并繼續向下執行，否則到了最大等待時間還沒有加載出來時，就直接拋出超時異常。
比如，我們最終要等待商品信息加載出來，就指定了presence_of_element_located這個條件，然后傳入了.m-itemlist .items .item這個選擇器，而這個選擇器對應的頁面內容就是每個商品的信息塊，可以到網頁里面查看一下。如果加載成功，就會執行后續的get_products()方法，提取商品信息。
關于翻頁操作，這里首先獲取頁碼輸入框，賦值為input，然后獲取“確定”按鈕，賦值為submit，分別是圖7-24中的兩個元素。
圖7-24 跳轉選項
首先，我們清空了輸入框，此時調用clear()方法即可。隨后，調用send_keys()方法將頁碼填充到輸入框中，然后點擊“確定”按鈕即可。
那么，怎樣知道有沒有跳轉到對應的頁碼呢？我們可以注意到，成功跳轉某一頁后，頁碼都會高亮顯示，如圖7-25所示。
圖7-25 頁碼高亮顯示
我們只需要判斷當前高亮的頁碼數是當前的頁碼數即可，所以這里使用了另一個等待條件text_to_be_present_in_element，它會等待指定的文本出現在某一個節點里面時即返回成功。這里我們將高亮的頁碼節點對應的CSS選擇器和當前要跳轉的頁碼通過參數傳遞給這個等待條件，這樣它就會檢測當前高亮的頁碼節點是不是我們傳過來的頁碼數，如果是，就證明頁面成功跳轉到了這一頁，頁面跳轉成功。
這樣剛才實現的index_page()方法就可以傳入對應的頁碼，待加載出對應頁碼的商品列表后，再去調用get_products()方法進行頁面解析。
6. 解析商品列表
接下來，我們就可以實現get_products()方法來解析商品列表了。這里我們直接獲取頁面源代碼，然后用pyquery進行解析，實現如下：
from pyquery import PyQuery as pq
def get_products():
"""
提取商品數據
"""
html = browser.page_source
doc = pq(html)
items = doc('#mainsrp-itemlist .items .item').items()
for item in items:
product = {
'image': item.find('.pic .img').attr('data-src'),
'price': item.find('.price').text(),
'deal': item.find('.deal-cnt').text(),
'title': item.find('.title').text(),
'shop': item.find('.shop').text(),
'location': item.find('.location').text()
}
print(product)
save_to_mongo(product)
首先，調用page_source屬性獲取頁碼的源代碼，然后構造了PyQuery解析對象，接著提取了商品列表，此時使用的CSS選擇器是#mainsrp-itemlist .items .item，它會匹配整個頁面的每個商品。它的匹配結果是多個，所以這里我們又對它進行了一次遍歷，用for循環將每個結果分別進行解析，每次循環把它賦值為item變量，每個item變量都是一個PyQuery對象，然后再調用它的find()方法，傳入CSS選擇器，就可以獲取單個商品的特定內容了。
比如，查看一下商品信息的源碼，如圖7-26所示。
圖7-26 商品信息源碼
可以發現，它是一個img節點，包含id、class、data-src、alt和src等屬性。這里之所以可以看到這張圖片，是因為它的src屬性被賦值為圖片的URL。把它的src屬性提取出來，就可以獲取商品的圖片了。不過我們還注意data-src屬性，它的內容也是圖片的URL，觀察后發現此URL是圖片的完整大圖，而src是壓縮后的小圖，所以這里抓取data-src屬性來作為商品的圖片。
因此，我們需要先利用find()方法找到圖片的這個節點，然后再調用attr()方法獲取商品的data-src屬性，這樣就成功提取了商品圖片鏈接。然后用同樣的方法提取商品的價格、成交量、名稱、店鋪和店鋪所在地等信息，接著將所有提取結果賦值為一個字典product，隨后調用save_to_mongo()將其保存到MongoDB即可。
7. 保存到MongoDB
接下來，我們將商品信息保存到MongoDB，實現代碼如下：
MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
def save_to_mongo(result):
"""
保存至MongoDB
:param result: 結果
"""
try:
if db[MONGO_COLLECTION].insert(result):
print('存儲到MongoDB成功')
except Exception:
print('存儲到MongoDB失敗')
這里首先創建了一個MongoDB的連接對象，然后指定了數據庫，隨后指定了Collection的名稱，接著直接調用insert()方法將數據插入到MongoDB。此處的result變量就是在get_products()方法里傳來的product，包含單個商品的信息。
8. 遍歷每頁
剛才我們所定義的get_index()方法需要接收參數page，page代表頁碼。這里我們實現頁碼遍歷即可，代碼如下：
MAX_PAGE = 100
def main():
"""
遍歷每一頁
"""
for i in range(1, MAX_PAGE + 1):
index_page(i)
其實現非常簡單，只需要調用一個for循環即可。這里定義最大的頁碼數為100，range()方法的返回結果就是1到100的列表，順序遍歷，調用index_page()方法即可。
這樣我們的淘寶商品爬蟲就完成了，最后調用main()方法即可運行。
9. 運行
運行代碼，可以發現首先會彈出一個Chrome瀏覽器，然后會訪問淘寶頁面，接著控制臺便會輸出相應的提取結果，如圖7-27所示。
圖7-27 運行結果
可以發現，這些商品信息的結果都是字典形式，它們被存儲到MongoDB里面。
再看一下MongoDB中的結果，如圖7-28所示。
圖7-28 保存結果
可以看到，所有的信息都保存到MongoDB里了，這說明爬取成功。
10. Chrome Headless模式
從Chrome 59版本開始，已經開始支持Headless模式，也就是無界面模式，這樣爬取的時候就不會彈出瀏覽器了。如果要使用此模式，請把Chrome升級到59版本及以上。啟用Headless模式的方式如下：
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
首先，創建ChromeOptions對象，接著添加headless參數，然后在初始化Chrome對象的時候通過chrome_options傳遞這個ChromeOptions對象，這樣我們就可以成功啟用Chrome的Headless模式了。
11. 對接Firefox
要對接Firefox瀏覽器，非常簡單，只需要更改一處即可：
browser = webdriver.Firefox()
這里更改了browser對象的創建方式，這樣爬取的時候就會使用Firefox瀏覽器了。
12. 對接PhantomJS
如果不想使用Chrome的Headless模式，還可以使用PhantomJS（它是一個無界面瀏覽器）來抓取。抓取時，同樣不會彈出窗口，還是只需要將WebDriver的聲明修改一下即可：
browser = webdriver.PhantomJS()
另外，它還支持命令行配置。比如，可以設置緩存和禁用圖片加載的功能，進一步提高爬取效率：
SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
最后，給出本節的代碼地址：https://github.com/Python3WebSpider/TaobaoProduct。
本節中，我們用Selenium演示了淘寶頁面的抓取。利用它，我們不用去分析Ajax請求，真正做到可見即可爬。
來源：華為云社區 ?作者：崔慶才丨靜覓
?
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
