【爬虫】利用selenium爬取淘宝主页商品图和商品信息

Murphy16666

利用selenium爬取淘宝主页商品图、商品信息和商品价格

前言

  在某些需求下，我们可能需要爬取一些商品信息作为我们程序的启动数据。那么大网站的主页肯定是我们首选，数据可靠性强，完整性很好。那么怎么解析获取数据呢，大家可能会想到用requests发送请求获取数据，用BeautifulSoup去解析，然而淘宝如此庞大的数据量怎么可能使用静态页面渲染呢。很显然，请求下来的结果大失所望，啥也没有，就一个空壳。
  我想试试使用Selenium让页面滚动到底部，使得淘宝页面动态渲染完毕，再通过Selenium的find_element获取元素的数据。最后用requests请求图片并保存。
  结果十分良好，代码不长，欢迎有需求的朋友拿去使用！

    记得给我评分增加热心值哦！！！

环境准备

• Selenium 4.4.1
• requests 2.31.0
• chrome
• chromedriver   （与chrome同版本）

抓取的图片存放到脚本同目录taobao_img下，数据存放到taobao.csv下

以下为代码实现：

import re
import os
import requests
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service

url = 'https://www.taobao.com/'
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) \
        AppleWebKit/537.36 (KHTML, like Gecko) \
        Chrome/35.0.1916.114 Safari/537.36'}
options = Options()
options.add_experimental_option("debuggerAddress", "127.0.0.1:12306")
service_ = Service(executable_path=r'I:\chromedriver_win64\chromedriver.exe',port=0)
driver = webdriver.Chrome(service=service_)
driver.get(url)
driver.maximize_window()

def get_content(i):
    img = driver.find_element(by='xpath',
                              value='/html/body/div[6]/div/div/div/div/div[%d]/a/div[1]/img' % i).get_attribute(
        'src')
    img_response = requests.get(img,headers=header)
    img_name = "%d.jpg" % i
                # 判断taobao_img文件夹是否存在
    if ~os.path.exists('taobao_img'):
        os.mkdir('taobao_img')
    with open('taobao_img/' + img_name, mode='wb') as f:
        f.write(img_response.content)
    f.close()
    g = open('taobao.csv', mode='a', encoding='utf-8')
    title = driver.find_element(by='xpath',
                                value='/html/body/div[6]/div/div/div/div/div[%d]/a/div[2]/div' % i).get_attribute(
        'innerHTML')
    title = title.replace(
        '<img src="//img.alicdn.com/imgextra/i1/O1CN01rHZjwm1kc1MDCvBIO_!!6000000004703-2-tps-38-20.png">','')
    g.write(title)
    price = driver.find_element(by='xpath',
                                value='/html/body/div[6]/div/div/div/div/div[%d]/a/div[3]' % i).get_attribute(
        'innerHTML')
    price = price.strip()

    if re.match('<span class="price-value"><em>¥</em>', price):
        price = price.strip('<span class="price-value"><em>¥</em>')
        price = price.replace("</span>", "")
        g.write(',' + price + '\n')
        g.close()

print("----程序至少运行60秒，请耐心等待------")

# 滚动使页面加载完成
for i in range(2000):
    driver.execute_script('scrollTo(0,%d)' % (i * 10))

open('taobao.csv', mode='w', encoding='utf-8')
for i in range(1, 300):  # 300为最大数，不可更大
    get_content(i)

print('运行结束')

Fargolee

if ~os.path.exists('taobao_img'):
        os.mkdir('taobao_img')
~ 什么意思，可以用not吗

Ashton

收藏一下~

kangfukang666

好牛啊啊啊啊

777444

支持支持支持

AnonHedgehog

没有碰到反扒么？

ARKyuyan

厉害的，学习一下

Murphy16666

AnonHedgehog 发表于 2023-11-16 22:51
没有碰到反扒么？

图片请求不加UA下载会失败，其他都ok

RealTheShy

学习一下

lsbzc

回去试试，

koy4134

人生苦短，学习python！！！