一. Selenium和PhantomJS介紹

Selenium是一個用於Web應用程序測試的工具，Selenium直接運行在瀏覽器中，就像真正的用戶在操作一樣。由於這個性質，Selenium也是一個強大的網絡數據采集工具，其可以讓瀏覽器自動加載頁面，這樣，使用了異步加載技術的網頁，也可獲取其需要的數據。

Selenium模塊是Python的第三方庫，可以通過pip進行安裝：

Selenium自己不帶瀏覽器，需要配合第三方瀏覽器來使用。通過help命令查看Selenium的Webdriver功能，查看Webdriver支持的瀏覽器：

查看執行後的結果，如下圖所示：

在這個案例中，采用PhantomJS。Selenium和PhantomJS的配合使用可以完全模擬用戶在瀏覽器上的所有操作，包括輸入框內容填寫、單擊、截屏、下滑等各種操作。這樣，對於需要登錄的網站，用戶可以不需要通過構造表單或提交cookie信息來登錄網站。

二. 案例介紹

這裏所舉的案例，是利用Selenium爬取淘寶商品信息，爬取的內容為淘寶網（https://www.taobao.com/）上男士短袖的商品信息，如下圖所示：

這裏可以看到，在用戶輸入淘寶後，需要模擬輸入，在輸入框輸入“男士短袖”。

案例中使用Selenium和PhantomJS，模擬電腦的搜索操作，輸入商品名稱進行搜索，如圖所示，“檢查”搜索框元素。

並且如下圖所示，“檢查”下一頁元素：

爬取的內容有商品價格、付款人數、商品名稱、商家名稱和地址，如下圖所示：

最後把爬取數據存儲到MongoDB數據庫中。

三. 相關技術

這裏把除了selenium之外所需要的知識列一下，這裏就不做詳細解釋了，如果不清楚的話可以百度了解下。

• mongoDB的使用，以及在python中用mongodb進行數據存儲。

• lxml，爬蟲三大方法之一，解析效率比較高，使用難度相比正則表達式要低（上一篇文章的解析方法是正則表達式）。

• 間歇休息的方法：driver.implicitly_wait

四. 源代碼

代碼如下所示，可復制直接執行：

from selenium import webdriver
from lxml import etree
import time
import pymongo

client = pymongo.MongoClient(‘localhost‘,  27017)
mydb = client[‘mydb‘]
taobao = mydb[‘taobao‘]

driver = webdriver.PhantomJS()
driver.maximize_window() 

def get_info(url,page):
     page = page + 1
     driver.get(url)
     driver.implicitly_wait(10)
     selector = etree.HTML(driver.page_source)
     infos = selector.xpath(‘//div[@class="item J_MouserOnverReq"]‘)

     for info in infos:
        data = info.xpath(‘div/div/a‘)[0]
        goods =  data.xpath(‘string(.)‘).strip()
        price = info.xpath(‘div/div/div/strong/text()‘)[0]
        sell =  info.xpath(‘div/div/div[@class="deal-cnt"]/text()‘)[0]
        shop =  info.xpath(‘div[2]/div[3]/div[1]/a/span[2]/text()‘)[0]
        address =  info.xpath(‘div[2]/div[3]/div[2]/text()‘)[0]
        commodity = {
            ‘good‘:goods,
            ‘price‘:price,
            ‘sell‘:sell,
            ‘shop‘:shop,
            ‘address‘:address
        }
        taobao.insert_one(commodity)

     if page <= 50:
        NextPage(url,page)
     else:
        pass

def NextPage(url,page):
     driver.get(url)
     driver.implicitly_wait(10)        
 driver.find_element_by_xpath(‘//a[@trace="srp_bottom_pagedown"]‘).click()
     time.sleep(4)
     driver.get(driver.current_url)
     driver.implicitly_wait(10)
     get_info(driver.current_url,page)

if __name__ == ‘__main__‘:
     page = 1
     url = ‘https://www.taobao.com/‘
     driver.get(url)
     driver.implicitly_wait(10)
     driver.find_element_by_id(‘q‘).clear()
     driver.find_element_by_id(‘q‘).send_keys(‘男士短袖‘)
     driver.find_element_by_class_name(‘btn-search‘).click()
     get_info(driver.current_url,page)

五. 代碼解析

（1）1~4行

導入程序需要的庫，selenium庫用於模擬請求和交互。lxml解析數據。pymongo是mongoDB 的交互庫。

（2）6~8行

打開mongoDB，進行存儲準備。

（3）10~11行

最大化PhantomJS窗口。

（4）14~33行

利用lxml抓取網頁數據，分別定位到所需要的信息，並把信息集成至json，存儲至mongoDB。

（5）35~47行

分頁處理。

（5）51~57行

利用selenium模擬輸入“男士短袖”，並模擬點擊操作，並獲取到對應的頁面信息，調取主方法解析。

———————————————————

公眾號-智能化IT系統。每周都有技術文章推送，包括原創技術幹貨，以及技術工作的心得分享。掃描下方關註。

利用Selenium爬取淘寶商品信息