引导
因为数据可视化这门课程的大作业要自己爬取数据，想着爬取淘宝的数据，结果找了不少文章都不太行、或者已经失效了等等，就边学边看边写搓了一份代码出来，一是为了记录一下、二是如果大家有需要也可以使用。
首先看最后爬取的数据的效果：
代码部分
引入第三方库
import pymysql
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from pyquery import PyQuery as pq
import time
import random
第三方库主要用到了 pymysql 和 selenium ，用pip指令安装即可
pip install pymysql
pip install selenium
全局定义
# 要搜索的商品的关键词
KEYWORD = '衣服'
# 数据库中要插入的表
MYSQL_TABLE = 'goods'
# MySQL 数据库连接配置,根据自己的本地数据库修改
db_config = {
'host': 'localhost',
'port': 3306,
'user': 'root',
'password': '123456',
'database': 'datavisible',
'charset': 'utf8mb4',
}
# 创建 MySQL 连接对象
conn = pymysql.connect(**db_config)
cursor = conn.cursor()
options = webdriver.ChromeOptions()
# 关闭自动测试状态显示 // 会导致浏览器报：请停用开发者模式
options.add_experimental_option("excludeSwitches", ['enable-automation'])
# 把chrome设为selenium驱动的浏览器代理；
driver = webdriver.Chrome(options=options)
# 窗口最大化
driver.maximize_window()
# wait是Selenium中的一个等待类，用于在特定条件满足之前等待一定的时间(这里是15秒)。
# 如果一直到等待时间都没满足则会捕获TimeoutException异常
wait = WebDriverWait(driver, 15)
主函数
# 在 main 函数开始时连接数据库
def main():
try:
pageStart = int(input("输入您想开始爬取的页面数: "))
pageAll = int(input("输入您想爬取的总页面数: "))
search_goods(pageStart, pageAll)
except Exception as e:
print('main函数报错: ', e)
finally:
cursor.close()
conn.close()
#启动爬虫
if __name__ == '__main__':
main()
启动爬虫后输入要开始爬取的页面数、要爬取的页面总数，然后执行search_goods()函数。 (但这里还没有输入就会弹出浏览器，不知道什么原因，要先最小化然后再回到控制台输入)
其他代码
查找商品
# 打开页面后会强制停止10秒，请在此时手动扫码登陆
def search_goods(start_page, total_pages):
print('正在搜索: ')
try:
driver.get('https://www.taobao.com')
# 强制停止10秒，请在此时手动扫码登陆
time.sleep(10)
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",
{"source": """Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"""})
# 找到搜索输入框
input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
# 找到“搜索”按钮
submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
input.send_keys(KEYWORD)
submit.click()
# 搜索商品后会再强制停止10秒，如有滑块请手动操作
time.sleep(10)
# 如果不是从第一页开始爬取，就滑动到底部输入页面然后跳转
if start_page != 1 :
# 滑动到页面底端
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
# 滑动到底部后停留1-3s
random_sleep(1, 3)
# 找到输入页面的表单
pageInput = wait.until(EC.presence_of_element_located((By.XPATH, '//*[@id="root"]/div/div[3]/div[1]/div[1]/div[2]/div[4]/div/div/span[3]/input')))
pageInput.send_keys(start_page)
# 找到页面跳转的确定按钮，并且点击
admit = wait.until(EC.element_to_be_clickable((By.XPATH,'//*[@id="root"]/div/div[3]/div[1]/div[1]/div[2]/div[4]/div/div/button[3]')))
admit.click()
get_goods()
for i in range(start_page + 1, start_page + total_pages):
page_turning(i)
except TimeoutException:
print("search_goods: error")
return search_goods()
我觉得注释的已经很清楚了，需要注意的是进入淘宝主页后，函数会暂停执行10s，需要在这期间手动扫码登陆一下；搜索关键词跳转到商品页面以后也会暂停10s，防止有滑块验证，如果有也需要手动验证一下。
翻页处理
# 进行翻页处理
def page_turning(page_number):
print('正在翻页: ', page_number)
try:
# 找到下一页的按钮
submit = wait.until(EC.element_to_be_clickable((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/button[2]')))
submit.click()
# 判断页数是否相等
wait.until(EC.text_to_be_present_in_element((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/span/em'), str(page_number)))
get_goods()
except TimeoutException:
page_turning(page_number)
爬取商品数据
#获取每一页的商品信息；
def get_goods():
# 获取商品前固定等待2-4秒
random_sleep(2, 4)
html = driver.page_source
doc = pq(html)
# 提取所有商品的共同父元素的类选择器
items = doc('div.PageContent--contentWrap--mep7AEm > div.LeftLay--leftWrap--xBQipVc > div.LeftLay--leftContent--AMmPNfB > div.Content--content--sgSCZ12 > div > div').items()
for item in items:
# 定位商品标题
title = item.find('.Title--title--jCOPvpf span').text()
# 定位价格
price_int = item.find('.Price--priceInt--ZlsSi_M').text()
price_float = item.find('.Price--priceFloat--h2RR0RK').text()
if price_int and price_float:
price = float(f"{price_int}{price_float}")
else:
price = 0.0
# 定位交易量
deal = item.find('.Price--realSales--FhTZc7U').text()
# 定位所在地信息
location = item.find('.Price--procity--_7Vt3mX').text()
# 定位店名
shop = item.find('.ShopInfo--TextAndPic--yH0AZfx a').text()
# 定位包邮的位置
postText = item.find('.SalesPoint--subIconWrapper--s6vanNY span').text()
result = 1 if "包邮" in postText else 0
# 构建商品信息字典
product = {
'title': title,
'price': price,
'deal': deal,
'location': location,
'shop': shop,
'isPostFree': result
}
save_to_mysql(product)
插入数据库
# 在 save_to_mysql 函数中保存数据到 MySQL
def save_to_mysql(result):
try:
sql = "INSERT INTO {} (price, deal, title, shop, location, postFree) VALUES (%s, %s, %s, %s, %s, %s)".format(MYSQL_TABLE)
print("sql语句为: " + sql)
cursor.execute(sql, (result['price'], result['deal'], result['title'], result['shop'], result['location'], result['isPostFree']))
conn.commit()
print('存储到MySQL成功: ', result)
except Exception as e:
print('存储到MYsql出错: ', result, e)
随机暂停函数
# 强制等待的方法，在timeS到timeE的时间之间随机等待
def random_sleep(timeS, timeE):
# 生成一个S到E之间的随机等待时间
random_sleep_time = random.uniform(timeS, timeE)
time.sleep(random_sleep_time)
在不同操作的时候插入一个随机暂停执行函数，模拟真人操作(虽然不知道有没有用 o.O? )
疑惑部分
以上就是全部代码，因为我这也是第一用爬虫(甚至第一次用Python)，我觉得如果有其他初学者有疑惑的地方可能就是这些代码部分：
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#q")))
wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
wait.until(EC.presence_of_element_located((By.XPATH, '//*[@id="root"]/div/div[3]/div[1]/div[1]/div[2]/div[4]/div/div/span[3]/input')))
wait.until(EC.element_to_be_clickable((By.XPATH,'//*[@id="root"]/div/div[3]/div[1]/div[1]/div[2]/div[4]/div/div/button[3]')))
wait.until(EC.element_to_be_clickable((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/button[2]')))
wait.until(EC.text_to_be_present_in_element((By.XPATH, '//*[@id="sortBarWrap"]/div[1]/div[2]/div[2]/div[8]/div/span/em'), str(page_number)))
element_to_be_clickable、text_to_be_present_in_element等等这些方法的作用请自行搜索。
wait.until()的作用是在完成括号内的操作前一直等待，等待时长是自己定义的，也就是我在全局变量里定义过的wait = WebDriverWait(driver, 15)，也就是15秒。
(By.XPATH, '//*[@id="root"]/div/div[3]/div[1]/div[1]/div[2]/div[4]/div/div/span[3]/input')
(By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')
而这些其实就是根据元素选择器找到页面上你需要的元素，
在淘宝网上按F12，操作看下图：
右键这个元素即可复制选择器或者路径。
数据处理
-- 删除无效数据
DELETE FROM goods WHERE price='' OR deal='' OR title='' OR location=''
-- 只保留一条记录，删除其他重复记录
DELETE g1
FROM goods g1, goods g2
WHERE g1.id > g2.id AND g1.deal = g2.deal AND g1.title = g2.title AND g1.shop = g2.shop
-- 处理月销过万的商品，把万替换为0000
UPDATE goods SET deal = REPLACE(deal, '万', '0000')
WHERE deal LIKE '%万%'
-- 提取销售数量的数字部分，更新对应字段
UPDATE goods
SET deal_count = CAST(REPLACE( SUBSTRING_INDEX( SUBSTRING_INDEX( deal, '人付款', 1 ), '+', 1 ), '，', '' ) AS SIGNED)
WHERE deal_count is NULL
因为爬取到的销量是“1000+人付款”这种格式，所以要处理一下，提取出数字部分，先自己新建一个字段(我这里叫deal_count)，然后按照这些sql从上到下运行一遍即可。 希望可能帮助到大家，共同进步！ 完整代码请到github自取 XXXHjf/taobaoCrawler: 淘宝爬虫 (github.com)