Selenium实战之Python+Selenium爬取商品数据

系统管理员 2024-03-17 10:13 19阅读 0赞

实战目标：爬取商品信息，包括商品的标题、链接、价格、评价数量。

代码核心在于这几个部分：

*  其一：使用元素定位来获取页面上指定需要抓取的关键字；
 *  其二：将页面上定位得到的数据永久存储到本地文件中。

具体来梳理一下从访问URL开始到爬取数据整个流程下来的各个节点我们都做了哪些工作。

####  ####

#### 爬取京东商品数据具体过程分析    ####

#### 1、准备接口数据 ####

# 京东商城网址
    url = 'https://www.jd.com/'

#### 2、创建浏览器实例对象 ####

# driver = webdriver.Firefox()      # 创建 Firefox 浏览器实例对象
    # driver = webdriver.Ie()           # 创建 IE 浏览器实例对象
    # driver = webdriver.Edge()         # 创建 Edge 浏览器实例对象
    # driver = webdriver.Safari()       # 创建 Safari 浏览器实例对象
    # driver = webdriver.Opera()        # 创建 Opera 浏览器实例对象
    driver = webdriver.Chrome()         # 创建 Chrome 浏览器实例对象

通过 webdriver.Chrome() 创建浏览器实例对象后，会启动Chrome浏览器。在 Chrome() 方法中未传入任何参数，即默认使用参数 executable\_path="chromedriver" ，executable\_path表示的是浏览器驱动的位置，该参数默认浏览器驱动的位置是在Python安装目录下。如果浏览器驱动位置与默认位置不同，则 executable\_path 参数需要传入驱动的实际位置，如：

driver = webdriver.Chrome(executable_path="D:/driver/chromedriver.exe")

#### 2、访问URL ####

# 浏览器访问地址
    drver.get(url)

#### 3、隐式等待、最大化浏览器窗口 ####

# 隐式等待，确保动态内容节点被完全加载出来——时间感受不到
    drver.implicitly_wait(3)
    # 最大化浏览器窗口，主要是防止内容被遮挡
    drver.maximize_window()

先使用 `implicitly_wait()` 方法隐式等待浏览器将页面完全加载出来，再使用maximize\_window()将浏览器窗口最大化，防止页面元素未加载出来或被遮挡而查找失败。

#### 3、定位搜索框 ####

# 通过id=key定位到搜索框
    input_search = drver.find_element_by_id('key')
    # 在输入框中输入“口罩”
    input_search.send_keys(keyword)
    # 模拟键盘回车Enter操作进行搜索
    input_search.send_keys(Keys.ENTER)
    # 强制等待3秒
    sleep(3)

driver 先调用 find\_element\_by\_id('key') 通过ID定位到该搜索框，再调用 sent\_keys() 传入参数搜索关键字 keyword ，然后在sent\_keys() 中传入 Keys.ENTER 模拟键盘回车键，最后再调用 sleep(3) 强制等待搜索内容加载出来。至此， 定位搜索框->搜索框输入关键字->回车搜索 ，整个搜索流程就完成了。

**4、定位元素（商品的标题、链接、价格、评价数量）**

# 获取当前第一页所有商品的li标签
    goods = driver.find_elements_by_class_name('gl-item')
    for good in goods:   
        # 获取商品标题
        title = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
        # 获取商品链接
        link = good.find_element_by_tag_name('a').get_attribute('href')
        # 获取商品价格
        price = good.find_element_by_css_selector('.p-price strong').text.replace('\n', '')
        # 获取商品评价数量
        commit = good.find_element_by_css_selector('.p-commit a').text

driver 通过调用 find\_elements\_by\_class\_name('gl-item') 方法定位 class=“gl-item” 到该页面所有商品的 <li> 标签，再接着遍历所有的 <li> 标签，分别通过不同定位方式查找到商品链接、商品标题、商品价格以及商品评价数量。

*  定位商品标题：通过 CSS选择器 定位到该元素标签，再调用其属性 text 获取到标签内的文本内容（即商品标题），最后使用 replace() 方法使用 空字符串 代替 换行符 以达到去掉标题中的换行符的目的，这样完整的商品标题就成功获取了。

# 获取商品标题名称
    title = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')

![0b47797c8fe84879ba5942fd6e8b35da.png][]

*  定位商品链接：通过先定位 `<a>` 标签再指定获取其属性 `href` 的值，最终获取到商品的链接。

# 获取商品链接
    link = good.find_element_by_tag_name('a').get_attribute('href')

![dcce4d1cb3404fa5ba9f9ca0ad7156c2.png][]

*  定位商品评论数量：通过 `CSS选择器` 定位到该元素标签，再调用其属性 `text` 获取到标签内的文本内容（即商品价格）。

# 获取商品评价数量
    commit = good.find_element_by_css_selector('.p-commit a').text

![916a61f2474c412da7bbf908fae8b064.png][]

#### 5、将商品数据存储到文件中 ####

①存储到txt文件中

# 获取当前文件路径
    paths = path.dirname(__file__)
     # 将当前文件路径与文件名拼接起来作为商品数据的存储路径
     file = path.join(paths, 'good.txt')
     # 以追加写入的方式将商品数据保存到文件中
     with open(file, 'a+', encoding='utf-8', newline='') as wf:
         wf.write(msg)

②存储到CSV文件中

# 表头
    header = ['商品标题', '商品价格', '商品链接', '评论量']
    # 获取当前文件路径
    paths = path.dirname(__file__)
    # 将当前文件路径与文件名拼接起来作为商品数据的存储路径
    file = path.join(paths, 'good_data.csv')
    # 以追加写入的方式将商品数据保存到文件中
    with open(file, 'a+', encoding='utf-8', newline='') as wf:
        f_csv = csv.DictWriter(wf, header)
        f_csv.writeheader()
        f_csv.writerows(data)

#### 6、退出浏览器 ####

# 退出关闭浏览器
    drver.quit()

抓取完商品数据后就可以直接将浏览器关闭，释放资源了。这就是整个爬取的过程，而抓取数据的过程再接着继续分析。

### 完整示例代码 ###

#### ①存储到txt文件中 ####

# -*- coding: utf-8 -*-
    # @Time : 2021/10/26 17:35
    # @Author : Jane
    # @Software: PyCharm
    
    
    # 导入库
    from time import sleep
    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys # 键盘按键操作
    from os import path
    
    
    # 京东商城网址
    url = 'https://www.jd.com/'
    # 创建浏览器对象
    driver = webdriver.Chrome()
    # 浏览器访问地址
    driver.get(url)
    # 隐式等待，确保动态内容节点被完全加载出来——时间感受不到
    driver.implicitly_wait(3)
    # 最大化浏览器窗口，主要是防止内容被遮挡
    driver.maximize_window()
    # 通过id=key定位到搜索框
    input_search = driver.find_element_by_id('key')
    # 在输入框中输入“口罩”
    input_search.send_keys('女士包包')
    # 模拟键盘回车Enter操作进行搜索
    input_search.send_keys(Keys.ENTER)
    # 强制等待3秒
    sleep(3)
    # 获取当前第一页所有商品的li标签
    goods = driver.find_elements_by_class_name('gl-item')
    for good in goods:
        # 获取商品链接
        link = good.find_element_by_tag_name('a').get_attribute('href')
        # 获取商品标题名称
        title = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
        # 获取商品价格
        price = good.find_element_by_css_selector('.p-price strong').text.replace('\n', '')
        # 获取商品评价数量
        commit = good.find_element_by_css_selector('.p-commit a').text
        msg = '''
            商品：%s
            链接：%s
            价格：%s
            评论：%s
        '''%(title, link, price, commit)
        # 获取当前文件路径
        paths = path.dirname(__file__)
        # 将当前文件路径与文件名拼接起来作为商品数据的存储路径
        file = path.join(paths, 'good.txt')
        # 以追加写入的方式将商品数据保存到文件中
        with open(file, 'a+', encoding='utf-8', newline='') as wf:
            wf.write(msg)
    # 退出关闭浏览器
    driver.quit()

#### ②存储到CSV文件中 ####

# -*- coding: utf-8 -*-
    # @Time : 2021/10/26 17:35
    # @Author : Jane
    # @Software: PyCharm
    
    
    # 导入库
    from time import sleep
    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys # 键盘按键操作
    from os import path
    import csv
    
    
    # 京东商城网址
    url = 'https://www.jd.com/'
    # 创建浏览器对象
    driver = webdriver.Chrome()
    # 浏览器访问地址
    driver.get(url)
    # 隐式等待，确保动态内容节点被完全加载出来——时间感受不到
    driver.implicitly_wait(3)
    # 最大化浏览器窗口，主要是防止内容被遮挡
    driver.maximize_window()
    # 通过id=key定位到搜索框
    input_search = driver.find_element_by_id('key')
    # 在输入框中输入“口罩”
    input_search.send_keys('女士包包')
    # 模拟键盘回车Enter操作进行搜索
    input_search.send_keys(Keys.ENTER)
    # 强制等待3秒
    sleep(3)
    # 获取当前第一页所有商品的li标签
    goods = driver.find_elements_by_class_name('gl-item')
    for good in goods:
        # 获取商品链接
        link = good.find_element_by_tag_name('a').get_attribute('href')
        # 获取商品标题名称
        title = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
        # 获取商品价格
        price = good.find_element_by_css_selector('.p-price strong').text.replace('\n', '')
        # 获取商品评价数量
        commit = good.find_element_by_css_selector('.p-commit a').text
        msg = '''
            商品：%s
            链接：%s
            价格：%s
            评论：%s
        '''%(title, link, price, commit)
    
    # 表头
    header = ['商品标题', '商品价格', '商品链接', '评论量']
    # 获取当前文件路径
    paths = path.dirname(__file__)
    # 将当前文件路径与文件名拼接起来作为商品数据的存储路径
    file = path.join(paths, 'good_data.csv')
    # 以追加写入的方式将商品数据保存到文件中
    with open(file, 'a+', encoding='utf-8', newline='') as wf:
        f_csv = csv.DictWriter(wf, header)
        f_csv.writeheader()
        f_csv.writerows(data)
        
    # 退出关闭浏览器
    driver.quit()

#### ③将代码进行封装 ####

# -*- coding: utf-8 -*-
    # @Time : 2021/10/26 17:35
    # @Author : Jane
    # @Software: PyCharm
    
    
    # 导入库
    from time import sleep
    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys # 键盘按键操作
    from os import path
    import csv
    
    
    def spider(url, keyword):
        # 创建浏览器对象
        drver = webdriver.Chrome()
        # 浏览器访问地址
        drver.get(url)
        # 隐式等待，确保动态内容节点被完全加载出来——时间感受不到
        drver.implicitly_wait(3)
        # 最大化浏览器窗口，主要是防止内容被遮挡
        drver.maximize_window()
        # 通过id=key定位到搜索框
        input_search = drver.find_element_by_id('key')
        # 在输入框中输入“口罩”
        input_search.send_keys(keyword)
        # 模拟键盘回车Enter操作进行搜索
        input_search.send_keys(Keys.ENTER)
        # 强制等待3秒
        sleep(3)
        # 抓取商品数据
        get_good(drver)
        # 退出关闭浏览器
        drver.quit()
    
    # 抓取商品数据
    def get_good(driver):
        # 获取当前第一页所有商品的li标签
        goods = driver.find_elements_by_class_name('gl-item')
        data = []
        for good in goods:
            # 获取商品链接
            link = good.find_element_by_tag_name('a').get_attribute('href')
            # 获取商品标题名称
            title = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
            # 获取商品价格
            price = good.find_element_by_css_selector('.p-price strong').text.replace('\n', '')
            # 获取商品评价数量
            commit = good.find_element_by_css_selector('.p-commit a').text
            # 将商品数据存入字典
            good_data = {
                '商品标题':title,
                '商品价格':price,
                '商品链接':link,
                '评论量':commit
            }
            data.append(good_data)
        saveCSV(data)
    
    
    # 保存商品数据到CSV文件中
    def saveCSV(data):
        # 表头
        header = ['商品标题', '商品价格', '商品链接', '评论量']
        # 获取当前文件路径
        paths = path.dirname(__file__)
        # 将当前文件路径与文件名拼接起来作为商品数据的存储路径
        file = path.join(paths, 'good_data.csv')
        # 以追加写入的方式将商品数据保存到文件中
        with open(file, 'a+', encoding='utf-8', newline='') as wf:
            f_csv = csv.DictWriter(wf, header)
            f_csv.writeheader()
            f_csv.writerows(data)
    
    
    # 判断文件程序入口
    if __name__ == '__main__':
        # 京东商城网址
        url = 'https://www.jd.com/'
        # 搜索关键字“女士编包”
        keyword = '女士包包'
        # 爬取数据
        spider(url, keyword)

[0b47797c8fe84879ba5942fd6e8b35da.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/7c8205e824004bf7b743d1408e7b346e.png
[dcce4d1cb3404fa5ba9f9ca0ad7156c2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/64ed74e50ff14c4ba95e585898da4bda.png
[916a61f2474c412da7bbf908fae8b064.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/9b944b4a740944189da09cd26f3e7e6a.png