爬取淘宝美食

博客提及了spider.py和config.py,推测与编程相关,可能是用于爬虫程序的配置和执行文件,在信息技术领域常用于数据采集等工作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

spider.py

import re

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
from config import *
import pymongo


client=pymongo.MongoClient(MONGO_URL)
db=client[MONGO_DB]

brower=webdriver.PhantomJS(service_args=SERVICE_ARGS)
# brower=webdriver.Firefox()
wait=WebDriverWait(brower,10)
brower.set_window_size(1400,900)


def seach():
    print('gogogo')
    try:
        brower.get('https://www.taobao.com')
        input=wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR,'#q'))
        )

        submit=wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button>button')))
        input.send_keys(KEYWORD)
        submit.click()
        total=wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager>div>div>div>div.total'))
        )
        return total.text
    except TimeoutException:
        return seach()

def next_page(page_number):
    try:

        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager>div>div>div>div.form>input'))
        )

        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager>div>div>div>div.form>span.btn.J_Submit')))
        input.clear()
        input.send_keys(page_number)
        submit.click()
        wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,'#mainsrp-pager>div>div>div>ul>li.item.active>span'),str(page_number)))
    except TimeoutException:
        next_page(page_number)

def main():
    try:
        total=seach()
        total=int(re.compile('(\d+)').search(total).group(1))
        # print(total)
        for i in range(2,total+1):
            next_page(i)
    except Exception:
        print('wrong')
    finally:
        brower.close()


def products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-itemlist.items.item')))
    html=brower.page_source
    doc=pq(html)
    items=doc('#mainsrp-itemlist.items.item').items()
    for item in items:
        product={
            'image': item.find('.pic.img').attr('src'),
            'price': item.find('.price').text(),
            'deal' : item.find('.deal-cnt').text()[:-3],
            'title': item.find('.title').text(),
            'shop' : item.find('.shop').text(),
            'location':item.find('.location').text()
        }
        print(product)

def save_to_mango(result):
    try:
        if db[MONGO_TABLE].insert(result):
            print('yes',result)
    except Exception:
        print('no',result)



if __name__ == '__main__':
    main()

config.py

MONGO_URL='localhost'
MONGO_DB='taobao'
MONGO_TABLE='product'


KEYWORD='美食'


SERVICE_ARGS=['--load-image=false','--disk-cache=true']
### 使用 Selenium 抓取淘宝商品链接 为了使用 Selenium 实现对淘宝商品链接的抓取,需遵循几个重要步骤。这不仅涉及到了解页面结构和元素定位方法,还需要掌握如何处理动态加载的内容。 #### 准备工作 安装必要的库文件是第一步操作。确保环境中已安装 `selenium` 和浏览器驱动程序(如 ChromeDriver),以及用于解析 HTML 的工具包如 `lxml` 或者 `BeautifulSoup`[^1]。 ```bash pip install selenium lxml beautifulsoup4 ``` #### 页面分析 淘宝的商品列表页通常由 JavaScript 动态渲染而成,这意味着普通的 HTTP 请求无法直接获得完整的HTML文档。而 Selenium 可以启动真实的浏览器实例来加载这些页面,并等待JavaScript完全执行完毕后再提取所需的数据[^2]。 #### 代码实现 下面是一个简单的 Python 脚本示例,展示了如何利用 Selenium 获取指定类目下所有可见的商品URL: ```python from selenium import webdriver import time def get_product_urls(keyword, max_pages=5): options = webdriver.ChromeOptions() options.add_argument('--headless') # 设置无头模式运行Chrome driver = webdriver.Chrome(options=options) base_url = f"https://list.tmall.com/search_product.htm?q={keyword}" product_links = [] try: page_num = 1 while True and page_num <= max_pages: url = f"{base_url}&s={(page_num-1)*60}" # 模拟分页参数 driver.get(url) # 等待页面加载完成 time.sleep(3) elements = driver.find_elements_by_css_selector(".product-title a") # 查找所有的产品链接标签 for element in elements: link = element.get_attribute('href') if "detail" in link: product_links.append(link.strip()) next_button = driver.find_element_by_link_text("下一页") if not next_button.is_enabled(): break page_num += 1 finally: driver.quit() return list(set(product_links)) # 去重返回最终结果集 if __name__ == "__main__": urls = get_product_urls("美食", max_pages=3) print(f"Fetched {len(urls)} unique URLs.") ``` 此脚本会打开一个隐藏版的 Google Chrome 浏览器窗口,访问给定的关键字对应的天猫搜索页面,并尝试遍历多页以收集尽可能多的有效商品链接。注意这里的例子是以天猫为例,因为淘宝部分功能可能需要登录验证,增加了复杂度[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值