栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

【网络爬虫】python+selenium+edge

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

【网络爬虫】python+selenium+edge

声明:

借鉴了其他博主的写法,但是基于本案例的需求修改了相当大部分,也优化了部分模块(数据存储模块),感谢大家的分享,让我可以站在巨人的肩膀上。遇到问题请在评论区留言。

工程结构如下:

第一个文件是爬虫程序,第二个csv格式文件是存放数据的文件

 main.py内容如下:

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import re
import time

import csv
key_word = '电动车充电器' #搜索关键字
data=[]     #存放爬到的数据
browser = webdriver.Edge(r'C:edgedriver_win64msedgedriver.exe' )	#添加浏览器的driver的路径


def search(key_word):
    try:
        browser.get('https://www.jd.com/')
        # 输入框加载完成
        input = WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,'#key'))
        )
        # 搜索按钮加载完成
        submit = WebDriverWait(browser,10).until(
            EC.element_to_be_clickable((By.CSS_SELECTOR,'#search > div > div.form > button'))
        )
        input.send_keys(key_word)
        submit.click()
        # 获取一共有多少页结果
        total_page = WebDriverWait(browser,10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR,'#J_bottomPage > span.p-skip > em:nth-child(1) > b'))
        )


        # 打印一共有多少页结果
        return total_page.text
    except TimeoutError:
        # 出现错误,重新请求一次
        return search()

def next_page(page_num):
    try:
        print('跳转到: 第', page_num,'页')
        # 输入框加载完成
        input = WebDriverWait(browser, 10).until(
            EC.presence_of_element_located((By.CSS_SELECTOR, '#J_bottomPage > span.p-num > a.pn-next'))
        )
        # 搜索按钮加载完成
        submit = WebDriverWait(browser, 10).until(
            EC.element_to_be_clickable((By.CSS_SELECTOR, '#J_bottomPage > span.p-num > a.pn-next'))
        )
        submit.click()
        time.sleep(1)
        finish_load =WebDriverWait(browser,10).until(
        EC.presence_of_element_located((By.CLASS_NAME,'gl-item'))
    )
        if finish_load:
            print('第 ',page_num,' 页加载完成')
            get_products(page_num)
    except TimeoutError:
        next_page(page_num)

def get_products(page_num):
    if page_num == 10:
        save_to_mongo()
    print('开始采集第 ',page_num,' 页信息')
    WebDriverWait(browser,10).until(
        EC.presence_of_element_located((By.CLASS_NAME,'gl-item'))
    )
    # html = browser.page_source
    # doc = pq(html)
    items = browser.find_elements_by_class_name('gl-item')
    index = 0
    print("第",page_num,"页有", len(items),"条数据")
    for item in items:
        product={'title': 0,'price': 0,'shop': 0}
        try:
            product['price']=item.find_element_by_css_selector('.p-price strong').text.replace('n', '')

        except:
            print("元素缺失")
        try:
            product['title']=item.find_element_by_css_selector('.p-name em').text.replace('n', '')
        except:
            print("元素缺失")
        try:
            product['shop']=item.find_element_by_css_selector('.p-shop span').text.replace('n', '')
        except:
            print("元素缺失")
        data.append(product.values())
        # print(product)

        index = index + 1


def save_to_mongo():

    csv_file = open('pac_c.csv', 'w',newline='')

    csv_writer = csv.writer(csv_file)
    # 4.3 写入内容
    csv_writer.writerows(data)

    # 5.关闭文件
    csv_file.close()
    print('保存成功')

def main(key_word):
    try:
        print('开始采集 ',key_word,' 信息')
        total_page = search(key_word)
        total_page = int(re.compile('.*?(d+).*?').search(total_page).group(1))
        print('一共有',total_page,'页数据')
        get_products(1)
        for i in range(2,total_page+1):
            next_page(i)
    except TimeoutError:
        print('error')
    finally:
        browser.close()

if __name__ == '__main__':
    main(key_word)

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/1019401.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号