目录

前言

准备

分析（x0）

分析（x1）

分析（x2）

分析（x3）

分析（x4）

总结

我有话说

前言

大家好，我叫善念。不说漂亮话，直接开始今天要采集的目标：某宝数据

今天要采用的方式是selenium自动化工具。

简单说下selenium的原理——利用网页元素控制浏览器。

准备

安装selenium模块：

pip install selenium

我采用的是利用selenium控制Chrome浏览器，所以咱们需要下载一个selenium与Chrome的桥梁——Chromedriver插件

下载地址

?

下载与你当前谷歌浏览器版本最相近的Chromedriver

?

那么像我的话，下载

? 即可。

Windows系统需下载32位，其它的自己看着办。点进去下载win32即可。

那么如何让Python与selenium连接起来呢，这里咱们需要配置一个环境变量，就是把Python与selenium处于同一个目录：

?

到此为止，咱们的环境就搭建好了。

分析（x0）

登录篇

谈谈selenium与requests的区别：

selenium：操控网页元素，模拟人去控制浏览器，放弃与底层协议的交互，控制于客户端表面（速度慢）

requests：模拟客户端向服务器发送协议请求，处于底层协议的交互。（速度快）

既然是模拟人去控制浏览器就好说了，想要采集某个网站第一步是做什么？

实例化一款需要被控制的浏览器，然后打开该网址：

from selenium import webdriver
driver = webdriver.Chrome()
driver.get('http://www.taobao.com')

?

然后在输入框中输入咱们需要查找的商品，再点击搜索即可。

咱们今天重点利用到的为xpath网页元素定位法，通过xpath语法去定位元素的位置，因为程序不是人，人可以肉眼知道哪里是输入框，哪里是按钮。而程序需要咱们去告诉它，给它制定位置。

# 输入Python
driver.find_element_by_id('q').send_keys('python')
# 点击搜索
driver.find_element_by_class_name('btn-search').click()

?

定位的方法很多，我这里两句代码用到的是为id定位和类名定位。

?

最后在停留在登录界面：

?

咱们采用扫码登录。

既然是这样子做的话，势必会需要一个时间供给你去登录，有人会采用延迟的方式，但是我不建议这样做。

因为延迟的时间不一定就能保证你刚好可以登录完，多了时间少了时间对咱们都不友好。少了时间还没登录上，程序就跑到别的地方去了报错了。多了时间你也懒得等。

所以在此之前咱们程序加上一行

input('扫码完成后请按Enter键')

这样子做的话，咱们可以人为的控制时间。最终登录完成。

分析（x1）

数据的提取

?

登录上去后可以看到很多的商品信息，咱们要采集的就是......都采集下来吧，什么图片、销量、地址、标题啥的

前面咱们提到了通过元素进行输入框自动输入、按钮点击。那么现在要做的就是通过元素定位去采集咱们想要的数据。

分析（x2）

?

通过元素分析我们可以发现，这里的每一个DIV标签都保存了一个商品的信息，而前面三个class属性略有不同。应该是他们自费的一个广告商品吧，排名指定的那种。

简单分析了一下可以看到第三个商品的图片地址在img标签的src中：

?

然后第47个商品的信息却不完善：

?

可以很清楚地发现这个商品的src的图片链接是不正常的，是没有图片的。

这个是为什么呢？还记得我前面文章（某音视频采集）讲到过的动态加载、瀑布流吗？当我们的滑动条往下滑的时候下面的数据才会加载出来，像瀑布一样地流出来。

所以如果我们想要采集到所有的商品图片，那么咱们就需要把这个下滑条往下面拉动 ，如何利用selenium控制这个下滑条往下面拉动呢?

    for x in range(1, 11, 2):

        time.sleep(0.5)
        j = x/10

        js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
        driver.execute_script(js)

每停顿0.5S的时间，拉动下滑条的十分之三的位置。

?

登录成功后按一下enter键，代码就会跳到下拉滑块的位置，执行下拉。

分析（x3）

数据都加载出来了后，咱们只管采集就好啦。采集的规则利用的是xpath定位法，这里我不做过多讲解。看我代码然后自己分析一下。

lis = driver.find_elements_by_xpath('//div[@class="items"]/div[@class="item J_MouserOnverReq  "]')
for li in lis:
    info = li.find_element_by_xpath('.//div[@class="row row-2 title"]').text
    price = li.find_element_by_xpath('.//a[@class="J_ClickStat"]').get_attribute('trace-price') + '元'
    deal = li.find_element_by_xpath('.//div[@class="deal-cnt"]').text
    image = li.find_element_by_xpath('.//div[@class="pic"]/a/img').get_attribute('src')
    name = li.find_element_by_xpath('.//div[@class="shop"]/a/span[2]').text
    position = li.find_element_by_xpath('.//div[@class="row row-3 g-clearfix"]/div[@class="location"]').text
    print(info + '|' + price + '|' + deal + '|' + name + '|' + image + '|' + position)

效果：

?

到此为止咱们第一页的商品数据已经采集下来了，那么如何采集所有页码的数据呢？

分析（x4）

在采集所有页码数据之前咱们先需要考虑的是什么？是这个商品总共有多少页吧？也许这个商品三十页，另一个商品100页，对不对？

而这个商品总页码在哪里看？

?

在哪里看咱们知道了，那么什么时候去采集到这个页码数呢？是不是当我们登录了之后就可以看到这个页码数了呀？那么咱们登录之后先把页码数采集下来！

token = driver.find_element_by_xpath('//*[@id="mainsrp-pager"]/div/div/div/div[1]')
token = token.text
token = int(re.compile('(\d+)').search(token).group(1))

最后就剩下如何进入下一页了，我经常提到的，看网页的url是否会发生什么变化。

?

url中一堆混乱看不懂？看我以前文章经常给你提到的参数冗余，看不懂先删掉，看下第二页的url：

?

再看第一页：

?

就s这个步长发生了变化吧，0-44就是说翻一页步长为44吧，构造下url：

for i in range(token-1):
    url = https://s.taobao.com/search?q={}&s={}'.format('python', 44 * num)

总结

不要觉得莫名其妙就写总结了，事实上是咱们已经把整个过程分析完了。

思路：进入网站——登录——采集到页码数——下拉滑块条——采集数据——翻页——下拉滑块条——采集数据——翻页......

搭配视频教程

我有话说

—— 爱一路艰辛，一路仁至义尽。

文章的话是现写的，每篇文章我都会说的很细致，所以花费的时间比较久，一般都是两个小时以上。每一个赞与评论收藏都是我每天更新的动力。

原创不易，再次谢谢大家的支持。

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

私信小编01即可获取大量Python学习资源