实战目标:爬取京东商品信息,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 = '/'
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)
打开浏览器后driver
调用get(url)
方法在地址栏中访问该网址。相当于在地址栏输入URL回车打开网址。
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', '')
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')
定位商品价格: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),最后使用replace()
方法使用空字符串
代替换行符
以达到去掉文本中的换行符的目的,这样完整的商品价格就成功获取了。
# 获取商品价格price = good.find_element_by_css_selector('.p-price strong').text.replace('\n', '')
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
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 : /10/26 17:35# @Author : Jane# @Software: PyCharm# 导入库from time import sleepfrom selenium import webdriverfrom mon.keys import Keys # 键盘按键操作from os import path# 京东商城网址url = '/'# 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').textmsg = '''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 : /10/26 17:35# @Author : Jane# @Software: PyCharm# 导入库from time import sleepfrom selenium import webdriverfrom mon.keys import Keys # 键盘按键操作from os import pathimport csv# 京东商城网址url = '/'# 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').textmsg = '''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 : /10/26 17:35# @Author : Jane# @Software: PyCharm# 导入库from time import sleepfrom selenium import webdriverfrom mon.keys import Keys # 键盘按键操作from os import pathimport csvdef 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 = '/'# 搜索关键字“女士编包”keyword = '女士包包'# 爬取数据spider(url, keyword)