selenium爬取数据被封 Java

转载

mob6454cc73e9a6 2024-09-22 20:20:07

文章标签 爬虫数据库 python CSS chrome 文章分类 Java 后端开发

方案1：一次性爬取全部淘宝美食信息

1. spider.py文件如下

1 __author__ = 'Administrator'
  2 from selenium import webdriver
  3 from selenium.webdriver.common.by import By
  4 from selenium.webdriver.support.ui import WebDriverWait
  5 from selenium.webdriver.support import expected_conditions as EC
  6 import re
  7 from pyquery import PyQuery as pq
  8 from config import *
  9 import pymongo
 10 
 11 client = pymongo.MongoClient(MONGO_URL)
 12 db = client[MONGO_DB]
 13 
 14 browser = webdriver.Chrome()
 15 """
 16 如果把Chrome修改为使用PhantomJS
 17 1. 首先需要安装phantomJS
 18 2. 自定义一些配置参数，这里不加载图片以及使用缓存
 19 browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
 20 3. 设置窗口大小
 21 browser.set_window_size(1400,900)
 22 """
 23 
 24 wait = WebDriverWait(browser, 10)  #显示等待10秒再查找目标元素
 25 
 26 
 27 def search():
 28     # print('正在搜索')  用于phantomJS调试
 29     try:
 30         browser.get('https://www.taobao.com')
 31         input1 = wait.until(
 32             EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))  #定位搜索框
 33         )
 34         submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))  #定位搜索按钮
 35         # 这里的美食可以替换为配置文件中的变量KEYWORD
 36         input1.send_keys('KEYWORD')
 37         submit.click()
 38         total = wait.until(
 39             EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total'))) #定位总页数，使用右键copy selector的方法找出参数名
 40         # 调用get_products
 41         get_products()
 42         return total.text
 43 
 44     except TimeoutError:
 45         return search()
 46 
 47 
 48 # 使用翻页输入框来翻页
 49 def next_page(page_number):
 50     # print('正在翻页',page_number) 用于phantomJS调试
 51     try:
 52         input1 = wait.until(
 53             EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input'))
 54         )
 55         submit = wait.until(
 56             EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))
 57         )
 58         input1.clear()
 59         input1.send_keys(page_number)
 60         submit.click()
 61         # 根据选择页面会高亮这个条件，来判断是否成功跳转
 62         wait.until(EC.text_to_be_present_in_element(
 63             (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page_number)))
 64         # 调用get_products()
 65         get_products()
 66 
 67     except TimeoutError:
 68         next_page(page_number)
 69 
 70 
 71 # 解析信息
 72 def get_products():
 73     wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
 74     html = browser.page_source
 75     doc = pq(html)
 76     items = doc('#mainsrp-itemlist .items .item').items()
 77     for item in items:
 78         product = {
 79             'image': item.find('.pic .img').attr('src'),
 80             'price': item.find('.price').text(),
 81             'deal': item.find('.deal-cnt').text()[:-3],
 82             'title': item.find('.title').text(),
 83             'shop': item.find('.shop').text(),
 84             'location': item.find('.location').text()
 85         }
 86         print(product)
 87         # 保存数据到mongodb
 88         save_to_mongo(product)
 89 
 90 
 91 # 定义一个保存到mongodb的方法
 92 def save_to_mongo(result):
 93     try:
 94         if db[MON_TABLE].insert(result):
 95             print('存储到MONGODB成功', result)
 96     except Exception:
 97         print('存储到MONGODB失败', result)
 98 
 99 
100 def main():
101     try:
102         # 输出100数字
103         total = search()
104         total = int(re.compile('(\d+)').search(total).group(1))
105         # 调用翻页函数
106         for i in range(2, total + 1):
107             next_page(i)
108     except Exception:
109         print('出错了')
110 
111     finally:
112         browser.close()
113 
114 if __name__ == '__main__':
115     main()

2. config.py

1 __author__ = 'Administrator'
2 MONGO_URL = 'localhost'
3 MONGO_DB = 'taobao'
4 MON_TABLE = 'product'
5 
6 # 配置phantomJS
7 SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
8 KEYWORD = '美食'

方案2：上面这种方法经测试可正常运行，但是会一次性爬取全部数据，数据量较大且不能灵活控制抓取内容，下面代码基本实现方法如下

1. 把搜索的关键字直接放在url中

2. 分页抓取商品信息

3. 使用chrome的headless功能

1 import pymongo
  2 from selenium import webdriver
  3 from selenium.common.exceptions import TimeoutException
  4 from selenium.webdriver.common.by import By
  5 from selenium.webdriver.support import expected_conditions as EC
  6 from selenium.webdriver.support.wait import WebDriverWait
  7 from pyquery import PyQuery as pq
  8 from config import *
  9 from urllib.parse import quote
 10 
 11 # browser = webdriver.Chrome()
 12 # browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
 13 
 14 chrome_options = webdriver.ChromeOptions()
 15 chrome_options.add_argument('--headless')
 16 browser = webdriver.Chrome(chrome_options=chrome_options)
 17 
 18 wait = WebDriverWait(browser, 10)
 19 client = pymongo.MongoClient(MONGO_URL)
 20 db = client[MONGO_DB]
 21 
 22 
 23 def index_page(page):
 24     """
 25     抓取索引页
 26     :param page: 页码
 27     """
 28     print('正在爬取第', page, '页')
 29     try:
 30         url = 'https://s.taobao.com/search?q=' + quote(KEYWORD)
 31         browser.get(url)
 32         if page > 1: 
 33             #定位页码输入框
 34             input = wait.until(
 35                 EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager div.form > input')))
 36             ##定位页码跳转确定按钮
 37             submit = wait.until(
 38                 EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager div.form > span.btn.J_Submit')))
 39             input.clear()
 40             input.send_keys(page)
 41             submit.click()
 42             
 43         """
 44         验证是否跳转到对应的页码
 45         只需要判断当前高亮的页码数是当前的页码数即可，可使用等待条件text_to_be_present_in_element,它会等待指定的文本出现在某一节点里面时即返回成功
 46         我们将高亮的页面节点对应的css选择器和当前要跳转的页面作为这个等待条件的参数，那么这个等待条件就会检测此页码节点是否为指定的页码数
 47         """
 48         wait.until(
 49             EC.text_to_be_present_in_element((By.CSS_SELECTOR, '#mainsrp-pager li.item.active > span'), str(page)))
 50         
 51         #等待商品信息加载，选择器'.m-itemlist .items .item'对应的页面内容就是每个商品的信息，如果加载成功，执行get_products()
 52         wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.m-itemlist .items .item')))
 53         get_products()
 54     except TimeoutException:
 55         index_page(page)
 56 
 57 
 58 #解析商品列表
 59 def get_products():
 60     """
 61     提取商品数据
 62     """
 63     html = browser.page_source
 64     doc = pq(html)
 65     items = doc('#mainsrp-itemlist .items .item').items()
 66     for item in items:
 67         product = {
 68             'image': item.find('.pic .img').attr('data-src'),
 69             'price': item.find('.price').text(),
 70             'deal': item.find('.deal-cnt').text(), #成交量
 71             'title': item.find('.title').text(),
 72             'shop': item.find('.shop').text(),
 73             'location': item.find('.location').text()
 74         }
 75         print(product)
 76         save_to_mongo(product)
 77 
 78 
 79 def save_to_mongo(result):
 80     """
 81     保存至MongoDB
 82     :param result: 结果
 83     """
 84     try:
 85         if db[MONGO_COLLECTION].insert(result):
 86             print('存储到MongoDB成功')
 87     except Exception:
 88         print('存储到MongoDB失败')
 89 
 90 
 91 def main():
 92     """
 93     遍历每一页
 94     """
 95     for i in range(1, MAX_PAGE + 1):
 96         index_page(i)
 97     browser.close()
 98 
 99 
100 if __name__ == '__main__':
101     main()

对应的配置文件如下

MONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'

KEYWORD = 'ipad'

MAX_PAGE = 100

SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。