python爬虫关键词检测

转载

bigrobin 2024-09-14 12:36:09

文章标签 python爬虫关键词检测 python mongodb selenium CSS 文章分类 Python 后端开发

文章目录

python爬取京东网站自定义关键词商品信息（一）

1.新建文件夹workspace，在该目录下创建spdier.py文件
2.在spider.py文件中导入需要的库包，代码如下：
3.在workspace目录下创建config.py文件，编写代码如
4.配置mongodb数据库，代码如下:
5.主函数代码如下：
6.完成搜索函数，代码如下：
7.完成解析商品函数
8.完成页面解析函数以及保存到数据库
9.开启mongdb数据库：
10.这里我用的是robot3t，一款针对mongodb数据库可视化软件，可以直接打开连接本地数据库，完整代码：
11.运行spider.py文件，可以通过robot3t看见如图

python爬取京东网站自定义关键词商品信息（一）

1.新建文件夹workspace，在该目录下创建spdier.py文件

2.在spider.py文件中导入需要的库包，代码如下：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from lxml import etree
import re,time

3.在workspace目录下创建config.py文件，编写代码如

MONGO_URL='localhost'
MONGO_DB='jd_goods'
MONG0_TABLE='jd_goods'

4.配置mongodb数据库，代码如下:

from config import MONGO_DB,MONG0_TABLE,MONGO_URL
from pymongo import MongoClient
client = MongoClient(MONGO_URL)
db=client[MONGO_DB]

5.主函数代码如下：

def main():
	try:
		chrome_options=Options()
		chrome_options.add_argument("--headless")
		browser=webdriver.Chrome(executable_path="C:\Python34\Scripts\chromedriver.exe",chrome_options=chrome_options)	
		browser = webdriver.Chrome()#创建谷歌浏览器对象
		wait = WebDriverWait(browser, 10)#等待对象
		browser.set_window_size(1400, 900)#设置浏览器页面大小
	    total = search()
	    total = int(re.compile('(\d+)').search(total).group(1))
	    for i in range(2, total + 1):
	        next_page(i)
    except:
    	print("出错！")
    finally:
      browser.close()
if __name__=='__main__':
    main()

6.完成搜索函数，代码如下：

def search():
    try:
        jd_url='https://www.jd.com/'
        browser.get(jd_url)
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#key"))
        )#固定用法，可参考selenium官方文档，获取到搜索输入框元素
        submit=wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, "#search > div > div.form > button > i")))#获取到提交按钮元素
        input.send_keys("美食")#固定用法
        submit.click()#完成按钮点击
        scroll_to_down()#控制鼠标下滑，完成页面数据全部显示出来
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > em:nth-child(1)"))).text#获取到页面底部关于页数的文本
        get_product()#解析页面并完成存储到mongodb
        return total#返回total文本信息
    except TimeoutError:
        return search()#由于selenium经常报出超时错误，如果出现就再次运行函数

def common_click(driver,element_id,sleeptime=2):#此处代码是网上百度的，完成页面点击操作
  actions = ActionChains(driver)
  actions.move_to_element(element_id)
  actions.click(element_id)
  actions.perform()
  time.sleep(sleeptime)
def scroll_to_down():      #解决数据显示不全
    browser.execute_script("window.scrollBy(0,3000)")
    time.sleep(1)
    browser.execute_script("window.scrollBy(0,5000)")
    time.sleep(1)
    browser.execute_script("window.scrollBy(0,8000)")
    time.sleep(1)

7.完成解析商品函数

def next_page(page_num):
    try:
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > input"))
        )
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > a"))
        )
        input.clear()
        input.send_keys(page_num)
        submit.click()
        scroll_to_down()
        get_product()
        wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#J_bottomPage > span.p-num > a.curr"),str(page_num)))#判断当前页面高亮
    except TimeoutError:
        return next_page(page_num)

8.完成页面解析函数以及保存到数据库

def get_product():
        html=browser.page_source#获取到页面源码
        response = etree.HTML(html.lower())#方便使用xpath解析页面
        items = response.xpath('//li[@class="gl-item"]')#获取到商品所有项
        for item in items:
            try:
                price = item.xpath('.//div[@class="p-price"]//strong//i/text()')[0]
                shop = item.xpath('.//div[@class="p-shop"]//a/text()')[0]
                src = item.xpath('.//div[@class="p-img"]//a//img/@src')[0]
                eva_num = item.xpath('.//div[@class="p-commit"]//strong/a/text()')[0]
                title = item.xpath('.//div[@class="p-name p-name-type-2"]//a/@title')[0]
                product = {
                    'title': title,
                    'src': src,
                    'price': price,
                    'eva_num': eva_num,
                    'shop': shop,
                }
                # print(product)
                save_to_mongo(product)#保存到数据库
            except IndexError:  #由于可能抛出数组越界，所以需要反馈异常，避免代码终止
                pass
def save_to_mongo(dict):
    if db[MONG0_TABLE].insert(dict):
        print('存储到mongdb成功——————————')
        return True
    return False

9.开启mongdb数据库：

windows下win+r打开运行界面，输入cmd进入界面，输入：
C:\Users\童>cd C:\Program Files\MongoDB\Server\3.4\bin 即mongodb安装路径bin文件夹下，然后输入：
C:\Program Files\MongoDB\Server\3.4\bin>mongod -dbpath E:\mongodb\data\db

10.这里我用的是robot3t，一款针对mongodb数据库可视化软件，可以直接打开连接本地数据库，完整代码：

from selenium import webdriver
	from selenium.common.exceptions import TimeoutException
	from selenium.webdriver import ActionChains
	from selenium.webdriver.common.by import By
	from selenium.webdriver.support.ui import WebDriverWait
	from selenium.webdriver.support import expected_conditions as EC
	from lxml import etree
	import re,time
	def search():
	    try:
	        jd_url='https://www.jd.com/'
	        browser.get(jd_url)
	        input = wait.until(
	            EC.presence_of_element_located((By.CSS_SELECTOR, "#key"))
	        )#固定用法，可参考selenium官方文档，获取到搜索输入框元素
	        submit=wait.until(
	            EC.element_to_be_clickable((By.CSS_SELECTOR, "#search > div > div.form > button > i")))#获取到提交按钮元素
	        input.send_keys("美食")#固定用法
	        submit.click()#完成按钮点击
	        scroll_to_down()#控制鼠标下滑，完成页面数据全部显示出来
	        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > em:nth-child(1)"))).text#获取到页面底部关于页数的文本
	        get_product()#解析页面并完成存储到mongodb
	        return total#返回total文本信息
	    except TimeoutError:
	        return search()#由于selenium经常报出超时错误，如果出现就再次运行函数

	def common_click(driver,element_id,sleeptime=2):#此处代码是网上百度的，完成页面点击操作
	  actions = ActionChains(driver)
	  actions.move_to_element(element_id)
	  actions.click(element_id)
	  actions.perform()
	  time.sleep(sleeptime)
	def scroll_to_down():      #解决数据显示不全
	    browser.execute_script("window.scrollBy(0,3000)")
	    time.sleep(1)
	    browser.execute_script("window.scrollBy(0,5000)")
	    time.sleep(1)
	    browser.execute_script("window.scrollBy(0,8000)")
	    time.sleep(1)
	def next_page(page_num):
	    try:
	        input = wait.until(
	            EC.presence_of_element_located((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > input"))
	        )
	        submit = wait.until(
	            EC.element_to_be_clickable((By.CSS_SELECTOR, "#J_bottomPage > span.p-skip > a"))
	        )
	        input.clear()
	        input.send_keys(page_num)
	        submit.click()
	        scroll_to_down()
	        get_product()
	        wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#J_bottomPage > span.p-num > a.curr"),str(page_num)))#判断当前页面高亮
	    except TimeoutError:
	        return next_page(page_num)
	def get_product():
	        html=browser.page_source#获取到页面源码
	        response = etree.HTML(html.lower())#方便使用xpath解析页面
	        items = response.xpath('//li[@class="gl-item"]')#获取到商品所有项
	        for item in items:
	            try:
	                price = item.xpath('.//div[@class="p-price"]//strong//i/text()')[0]
	                shop = item.xpath('.//div[@class="p-shop"]//a/text()')[0]
	                src = item.xpath('.//div[@class="p-img"]//a//img/@src')[0]
	                eva_num = item.xpath('.//div[@class="p-commit"]//strong/a/text()')[0]
	                title = item.xpath('.//div[@class="p-name p-name-type-2"]//a/@title')[0]
	                product = {
	                    'title': title,
	                    'src': src,
	                    'price': price,
	                    'eva_num': eva_num,
	                    'shop': shop,
	                }
	                # print(product)
	                save_to_mongo(product)#保存到数据库
	            except IndexError:  #由于可能抛出数组越界，所以需要反馈异常，避免代码终止
	                pass
	def save_to_mongo(dict):
	    if db[MONG0_TABLE].insert(dict):
	        print('存储到mongdb成功——————————')
	        return True
	    return False
	def main():
		try:
			chrome_options=Options()#浏览器操作
			chrome_options.add_argument("--headless")#设置无头浏览器
			browser=webdriver.Chrome(executable_path="C:\Python34\Scripts\chromedriver.exe",chrome_options=chrome_options)	#传递参数
			browser = webdriver.Chrome()#创建谷歌浏览器对象
			wait = WebDriverWait(browser, 10)#等待对象
			browser.set_window_size(1400, 900)#设置浏览器页面大小
		    total = search()
		    total = int(re.compile('(\d+)').search(total).group(1))
		    for i in range(2, total + 1):
		        next_page(i)
	    except:
	    	print("出错！")
	    finally:
	      browser.close()
	if __name__=='__main__':
	    main()