分别用selenium和scrapy爬取网站（一）

用selenuim抓取“美食”网页信息

一、下载安装selenuim、PhantomJS（Chrome），并配置好环境。
二、利用selenium打开浏览器，设计爬取过程。

from selenium import webdriverbrowser = webdriver.Chrome()

运行上述程序，程序会自动调用chrome浏览器。

• 打开淘宝首页，在搜索框中输入“美食“，并且点击”搜索“按钮。
• 参考selenium python官方文档： http://selenium-python.readthedocs.io/waits.html，利用selenium模仿输入、点击等操作。首先，添加以下import信息。

from selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as EC

• 输入框和点击按钮的获取方法如下：

browser.get('https://www.taobao.com')wait=WebDriverWait(browser, 10)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")) 

• 查看官方文档，找到利用selenium向输入框输入文字及点击按钮的方法

 input.send_keys("美食") submit.click()

• 何时页面算加载完成？观察到页面最下方有一个页码栏，找到该搜索一共包含多少页。若出现了总共的页数，则视为页面加载完成。

• selenium中实现方法如下：

• 按F12审查元素，复制selector。

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

• 之后，获取页面详情。在使用selenium访问网站时，有可能会发生一些异常，常见的异常为连接超时，使用try。搜索部分整段代码如下：

def search():    try:        browser.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(KEY_WORD)        total=wait.until(            EC.presence_of_element_located((By.CSS_SELECTOR,            '#mainsrp-pager > div > div > div > div.total')))        get_product()#获取商品信息        return total.text  #返回多少页    except TimeoutError:        return  search()  #递归 再次调用

• 翻页操作：
  跟前面的操作相同，获取输入框和确定按钮。

def next_page(page_number):#page_number是当前的页码  执行翻页操作    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()#清除输入框里面的内容         input.send_keys(page_number)         submit.click()         #与前面的         wait.until(         '#mainsrp-pager > div > div > div > ul > li.item.active > span'),         str(page_number))         )        get_product()    except TimeoutError:        next_page(page_number)def main():     total=search()#共100页     total=int(re.compile('(\d+)').search(total).group(1))#获取数字     for i in range(2,total+1):        next_page(i)

• 接下来，开始爬取各商品信息，首先获取每个商品所在的div。

def get_product():    wait.until(       EC.presence_of_element_located((By.CSS_SELECTOR,       '#mainsrp-itemlist .items .item'))        )    html=browser.page_source    print(html)

• 使用pyquery来解析

from pyquery import PyQuery as pqdoc=pq(html)items=doc('#mainsrp-itemlist .items .item').items()#items()可以得到所有选择的内容

• 获取每个商品的图片的src，商品价格，成交量，标题，店铺名称，店铺地址。

for item in items:        product={            'image':item.find('.pic .img').attr('src'),#获取src属性            'price':item.find('.price').text(),            'deal':item.find('.deal-cnt').text()[:-3], #309人付款 去掉最后三个字            'title':item.find('.title').text(),            'shop':item.find('.shop').text(),            'location':item.find('.location').text()        }        print(product)

• 将获取的信息保存到数据库中。

import pymysqlcon = pymysql.connect(**DBKWARGS)cur = con.cursor()def save_to_mysql(result):    sql_content = ("insert into TBMeishi (image,price,deal,title,shop,location)"                   "values(%s,%s,%s,%s,%s,%s)")    lis = (result['image'],result['price'],result['deal'],result['title'],    result['shop'],result['location'] )    try:        cur.execute(sql_content, lis)    except Exception as e:  #Excdption 是所有错误的父类        print(e)        con.rollback()    else:        con.commit()        print("插入数据成功")

• 可将chrome浏览器换成无头浏览器PhantomJS。

EXECT_PATH='******'#你浏览器所在的位置。browser = webdriver.PhantomJS(EXECT_PATH)browser.set_window_size(1400,900)

• 换成无头浏览器之后，可以加入一些print，方便了解程序运行情况。

def main():    try:        total=search()        total=int(re.compile('(\d+)').search(total).group(1))        for i in range(2,total+1):            next_page(i)    except Exception:        print("程序出错")    finally:        browser.close()        cur.close()        con.close()if __name__=="__main__":    main()

• 在最后别忘了关闭要浏览器和数据库，养成良好的编程习惯。