文章目录

1.准备工作
2.接口分析
3.页面分析
4.获取商品列表
5.解析商品列表
6.保存到MongoDB
7.遍历每页
8.异常处理（绕过登录反爬机制）
- 方法一：修改ChromeDriver.exe
- 方法二：将用户信息的配置文件在代码中加载
9.运行
参考文献

在之前的文章中，我们成功尝试分析Ajax来抓取页面相关数据，但是并不是所有的页面都可以通过分析Ajax来完成抓取。比如，淘宝，它的整个页面数据构造也是用过Ajax获取的，但是这些Ajax接口参数比较复杂，可能会包含加密密钥等，所以如果想自己构造Ajax参数，还是比较困难的。对于这种页面，最方便快捷的抓取方法就是通过Selenium。下面，我们用Selenium来模拟浏览器操作，抓取淘宝商品信息，并将结果保存到MongoDB。

1.准备工作

本文以Chrome为例来讲解Selenium的用法。在开始之前，请确保已经正确安装好了Chrome浏览器并配置好了ChromeDriver；另外，还需要正确安装Python的Selenium库。

2.接口分析

首先，我们来打开淘宝的接口，观察一下它的ajax请求。
打开淘宝页面，搜索商品，比如ipad，此时打开开发者工具，查看Ajax请求，我们可以发现，根本没有Ajax请求，如图

不过没有关系，我们可以直接用Selenium来模拟浏览器，只要在浏览器里能看到的，都可以爬取。这也是我们选择使用Selenium的原因。

3.页面分析

我们的目标是爬取商品信息。如图是一个商品条目，其中包含商品的基本信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地，我们要做的就是将这些信息都抓取下来。

抓取入口就是淘宝的搜索页面，这个链接可以通过直接构造参数访问。例如，如果搜ipad，就可以直接访问https://s.taobao.com/search?q=ipad，呈现的就是第一页的搜索结果，如图所示

在页面下方，有一个分页导航，其中既包括前5页的链接，也包括下一个的链接，同时还有一个输入任意页码跳转的链接，如图

这里商品搜索的结果一般最大都是100页，要获取每一页的内容，只需要将页码从1到100顺序遍历即可，页码数是确定的。所以，直接在页面跳转文本框中输入要跳转的页码，然后点击“确定”按钮即可跳转到页码对应的页面。
这里不直接点击“下一页”的原因是：一旦爬取过程中出现异常退出，比如到50页退出了，此时点击“下一页”时，就无法快速切换到对应的后续页面了。此外，在爬取过程中，也需要记录当前的页码数，而且点击“下一页”之后页面加载失败，还需要做异常检测，检测当前页面是加载到了第几页。整个流程比较复杂，所以我们这里直接用跳转的方式来爬取页面。
当我们成功的加载出某一页商品列表时，利用Selenium即可获取页面源代码，然后再用相应的解析库解析即可。这里我们选用pyquery解析。下面我们用代码实现整个抓取过程。

4.获取商品列表

首先，需要构造一个抓取的URL：https://s.taobao.com/search?q=ipad。这个URL非常简洁，参数q就是要搜索的关键字。只要改变这个参数，即可获取不同的商品列表。这里我们将商品的关键字定义成一个变量，然后构造出这样的一个URL。
然后就需要用Selenium进行抓取了。我们实现了如下抓取列表页的方法：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from urllib.parse import quote
import timebrowser = webdriver.Chrome()
wait = WebDriverWait(browser,10)
KEYWORD = 'ipad'def index_page(page):"""抓取索引页:param page: 页码"""print('正在爬取第',page,'页')try:url = 'https://s.taobao.com/search?q='+quote(KEYWORD)browser.get(url)if page>1:input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager div.form > input')))submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#mainsrp-pager div.form > span.btn.J_Submit')))input.clear()input.send_keys(page)submit.click()wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,'#mainsrp-pager li.item.active > span'),str(page)))wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'.m-itemlist .items .item')))get_products()except TimeoutException:index_page(page)

这里首先构造了一个WebDriver对象，使用的浏览器是Chrome，然后指定一个关键词，如ipad，接着定义了index_age()方法，用于抓取商品列表页。
在该方法里，我们首先访问了搜索商品的链接，然后判断了当前的页码，如果大于1，就进行跳页操作，否则等待页面加载完成。
等待加载时，我们使用了WebDriverWait对象，它可以指定等待条件，同时指定一个最长等待时间，这里指定为10s。如果在这个时间内成功匹配了等待条件，也就是说页面元素成功加载出来了，就立即返回相应结果并继续向下执行，否则到了最大等待时间还没有加载出来时，就直接抛出超时异常。
比如，我们最终要等待商品信息加载出来，就指定了presnece_of_element_located这个条件，然后传入了.m-itemlist .items .item这个选择器，而这个选择器对应的页面内容就是每个商品的信息块，可以在网页中查看。如果加载成功，就会执行后续的get_products()方法，提取商品信息。
关于翻页操作，这里首先获取页码输入框，赋值为input，然后获取“确定”按钮，赋值为submit，分别是图中的两个元素。

首先，我们清空了输入框，此时调用clear（）方法即可。随后，调用send_keys()方法将页码填充到输入框中，然后点击“确定按钮即可”
那么，怎么样知道有没有跳转到对应的页码呢？我们可以注意到，成功跳转到某一页后，页码都会高亮显示，如图

我们只需要判断当前高亮的页码数是当前的页码数即可，所以这里使用了另一个等待条件text_to_be_present_in_element，它会等待指定的文本出现在某一个节点里面时即返回成功。这里我们将高亮的页码节点对应的CSS选择器和当前要跳转的页码通过参数传递给这个等待条件，这样它就会检测当前高亮的页码节点是不是我们传过来的页码数，如果是，就证明页面成功跳转到了这一页，页面跳转成功。
这样刚才实现的index_page()方法就可以传入对应的页码，待加载出对应页码的商品列表后，再去调用get_products()方法进行页面解析。

5.解析商品列表

接下来，我们就可以实现get_products()方法来解析商品列表了。这里我们直接获取页面源代码，然后用pyquery进行解析，实现如下：

from pyquery import PyQuery as pq
def get_products():"""提取商品数据"""html = browser.page_sourcedoc = pq(html)items = doc('#mainsrp-itemlist .items .item').items()for item in items:product = {'image':item.find('.pic .img').attr('data-src'),'price':item.find('.price').text(),'deal':item.find('.deal-cnt').text(),'title':item.find('.title').text(),'shop':item.find('.shop').text(),'location':item.find('.location').text()}print(product)save_to_mongo(product)

首先，调用page_source属性获取页码的源代码，然后构造了PyQuery对象，提取了商品列表，此时使用的CSS选择器是#mainsrp-itemlist .items .item，它会匹配整个页面的每个商品。它的匹配结果是多个，所以这里我们又对它进行了一次遍历，用for循环将每个结果分别进行解析，每次循环把它赋值为item变量，每个item变量都是一个PyQuery对象，然后再调用它的find()方法，传入CSS选择器，就可以获取单个商品的特定内容。
比如查看一下商品源码

可以发现，它是一个img节点，包含id、class、data-src、alt和src属性，这里之所以可以看到这样图片，是因为它的src属性被赋值为图片的URL。把它的src属性提取出来，就可以获取商品的完整图片了。不过我们还注意data-src属性，它的图片内容也是图片的URL，观察后发现此URL是图片的完整大图，而src是压缩后的小图，所以这里抓取data-src属性来作为商品的图片。
因此，我们需要先利用find()方法找到图片的这个节点，然后再调用attr()方法获取商品的data-src属性，这样就成功提取了商品的链接。然后用同样的方法提取商品的价格、成交量、名称、店铺所在地等信息，接着将所有提取结果赋值为一个字典product，然后调用save_mongo()将其保存到MongoDB即可。

6.保存到MongoDB

接下来，我们将商品信息保存到MongoDB，代码如下：

import pymongoMONGO_URL = 'localhost'
MONGO_DB = 'taobao'
MONGO_COLLECTION = 'products'
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
def save_to_mongo(result):"""保存结果到MongoDB"""try:if db[MONGO_COLLECTION].insert(result):print('存储到MongoDB成功')except Exception:print('存储到MongoDB失败')

这里首先创建了一个MongoDB的连接对象，然后指定了数据库，随后指定了Collection的名称，接着调用insert()方法将数据库插入到MongoDB。此处的result的变量就是在get_products()方法里传来的product，包含单个商品的信息。

7.遍历每页

刚才我们所定义的get_index()方法需要接收参数page，page代码页码。这里我们实现页码遍历即可，代码如下：

MAX_PAGE = 10
def main():"""遍历:return:"""for i in range(1,MAX_PAGE+1):index_page(i)time.sleep(10)main()

最后调用main()方法即可运行。

8.异常处理（绕过登录反爬机制）

当写到这里，如果运行程序会发现，程序在弹出浏览器窗口后，会出现登陆页面，但是当你尝试输入账户密码时，滑块的验证始终失效。并且页面还会不断刷新。如图

针对这种情况，博主找到了两种解决方案

方法一：修改ChromeDriver.exe

之所以出现这种情况，是因为在淘宝的登录页面，有这样一个js，它会判断你是通过驱动打开的浏览器还是其他情况，如果是驱动打开那么这个判断为真就会出现这种情况，如图，为判断的js

我们在控制台运行一下这个脚本window.navigator.webdriver

可以看到，判断为真，说明浏览器知道我们使用的是驱动。
那该如何解决呢？
首先，使用nodepad++或者记事本打开chrome，查找$cdc，找到这串代码后，将其用等长的字符串替代即可，例如把最后的l改成a。

然后把部分代码改为如下模式，将浏览器设置为开发者模式：

option = webdriver.ChromeOptions()
#开发者模式的开关，设置一下，打开浏览器就不会识别为自动化测试工具了
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = webdriver.Chrome(chrome_options=option)

如果这种方法不能奏效，请看第二种方法

方法二：将用户信息的配置文件在代码中加载

首先，在Chrome中输入chrome://version/查看信息。如图，这是我们用户信息。

然后在代码中，加载浏览器配置

chrome_option = webdriver.ChromeOptions()
p=r'C:\Users\赵磊\AppData\Local\Google\Chrome\User Data'
#chrome_option.add_experimental_option('excludeSwitches', ['enable-automation'])  # 以开发者模式
chrome_option.add_argument('--user-data-dir='+p)
browser = webdriver.Chrome(options=chrome_option)
wait = WebDriverWait(browser,10)

这样在爬取时就不会出现登录页面了。

9.运行

此时运行代码，会发现弹出一个Chrome浏览器，然后会访问淘宝页面，接着控制台输出如下

可以发现，这些商品信息的结果都是字典形式，它们倍存储到MongoDB里面，再看一下MongoDB中的结果

说明信息保存到MongoDB中，爬取成功。

最后给出本文的代码地址：https://github.com/jiangwenvae/Spider/blob/main/spider/taobaoSleninum.py

参考文献

[1].Python3网络爬虫开发实战.崔庆才.——7.4使用Selenium爬取淘宝商品

使用Selenium爬取淘宝商品（绕过登录页面）相关推荐

Python + selenium 爬取淘宝商品列表及商品评论 2021-08-26
Python + selenium 爬取淘宝商品列表及商品评论[2021-08-26] 主要内容登录淘宝获取商品列表获取评论信息存入数据库需要提醒主要内容通过python3.8+ sel ...
利用Selenium爬取淘宝商品信息
文章来源:公众号-智能化IT系统. 一. Selenium和PhantomJS介绍 Selenium是一个用于Web应用程序测试的工具,Selenium直接运行在浏览器中,就像真正的用户在操作一样. ...
selenium爬取淘宝商品基础数据以及商品详情（茶叶数据）
selenium爬取淘宝商品基础数据以及商品详情目录网页分析确定要爬取的数据分析网页构成爬取流程登入爬取基础数据以及商品详情爬取基础数据爬取商品详情淘宝滑动验证码保存EXCEL中 ...
python爬虫——用selenium爬取淘宝商品信息
python爬虫--用selenium爬取淘宝商品信息 1.附上效果图 2.淘宝网址https://www.taobao.com/ 3.先写好头部 browser = webdriver.Chrome ...
[Python3网络爬虫开发实战] 7-动态渲染页面爬取-4-使用Selenium爬取淘宝商品
在前一章中,我们已经成功尝试分析Ajax来抓取相关数据,但是并不是所有页面都可以通过分析Ajax来完成抓取.比如,淘宝,它的整个页面数据确实也是通过Ajax获取的,但是这些Ajax接口参数比较复杂,可 ...
利用Selenium爬取淘宝商品
淘宝页面数据是采用Ajax获取的,但是这些Ajax接口参数比较复杂,可能会加入加密秘钥.对于这种页面,最方便的方法是通过selenium.可以用Selenium来模拟浏览器操作,抓取淘宝商品信息. 1 ...
爬虫学习笔记——Selenium爬取淘宝商品信息并保存
在使用selenium来模拟浏览器操作,抓取淘宝商品信息前,先完成一些准备工作. 准备工作:需要安装selenium,pyquery,以及Chrome浏览器并配置ChromeDriver. 安装sel ...
【python爬虫】selenium爬取淘宝商品图片
一.说明淘宝商品的爬取,主要用到selenium和css选择器,本案例难度较低可以用作selenium的入门. 注意:扫码登录是手动操作二.代码演示 from selenium import we ...
python +Selenium 爬取淘宝商品评论
第一步现在淘宝防爬取做的比较好,如果直接爬的话总是出现登陆界面.从而获取不到信息. 解决办法,新建淘宝.py import json from selenium import webdriver ...

使用Selenium爬取淘宝商品（绕过登录页面）