python按综合、销量排序抓取100页的淘宝商品列表信息

进入淘宝网，分别按综合、销量排序抓取100页的所有商品的列表信息。

1、按综合

import re
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from pyquery import PyQuery as pq #获取整个网页的源代码 

from config import * #可引用congif的所有变量
import pymongo
import pymysql 

# client=pymongo.MongoClient(MONGO_URL)
# db = client[MONGO_DB] 

# 按综合排序 100页 

# 打开淘宝链接，输入‘美食'，搜索
# 自动翻页：先得到总页数，再转到 _ 页，确定
# 

# browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
# browser =webdriver.Chrome()
browser = webdriver.Firefox()
wait = WebDriverWait(browser,10) 

def search():
 print('正在搜索...')
 try:
  browser.get('https://www.taobao.com') #用这个网页'https://s.taobao.com'，无法输入keywords
  input=wait.until(
    EC.presence_of_element_located((By.CSS_SELECTOR,'#q')) #打开淘宝，右击查看元素，定位到搜索框，选择对应代码，复制-CSS选择器，其实就是‘#q'。
  )
  submit=wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_TSearchForm > div.search-button > button')))
  input.send_keys(KEYWORD) #模拟操作，输入内容
  submit.click() #点击提交
  total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#mainsrp-pager > div > div > div > div.total'))) #页数
  return total.text
 except TimeoutException :
  return search() 

# 翻页
def next_page(page_number):
 print('正在翻页',page_number)
 try:
  input = wait.until(
   # 输入框
   EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')) # 打开淘宝，右击查看元素，定位到搜索框，选择对应代码，复制-CSS选择器，其实就是‘#q'。
  )
  # 搜索按钮
  submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit'))) #未修改
  input.clear()
  input.send_keys(page_number) # 模拟操作，输入页码
  submit.click()
  #判断翻页是否成功，找到高亮页码数，由数子判断
  wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR ,'#mainsrp-pager > div > div > div > ul > li.item.active > span'), str(page_number)))
  get_products()
 except TimeoutException :
  next_page(page_number) 

# 解析，获取每页的商品并输出
def get_products():
 wait.until(EC.presence_of_all_elements_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item'))) #加载所有宝贝
 html=browser.page_source
 doc = pq(html)
 items = doc('#mainsrp-itemlist .items .item').items()
 for item in items:
  product = {
   # 'picture':item.find('.pic .img').attr('src'),#用find去获取内部元素，选择器是 pic，img，用attr获取属性
   'image': item.find('.pic .img').attr('data-src'), # 用find去获取内部元素，选择器是 pic，img，用attr获取属性
   'shop_id': item.find('.shop').find('a').attr('data-userid'), # 店铺 id
   'data_id': item.find('.shop').find('a').attr('data-nid'), # 商品 id
   'link': item.find('.pic-box-inner').find('.pic').find('a').attr['href'],
   'price':item.find('.price').text()[1:-3], # 用text获取内容
   'deal':item.find('.deal-cnt').text()[:-3],
   'title':item.find('.title').text().replace(' ',''),
   'shop':item.find('.shop').text(),
   'location':item.find('.location').text()
  }
  # print(product)
  # print(product['location'])
  save_to_mysql(product)
'''''
def main():
 try:
  # search()
  total=search() # 此时 total = ‘共 100 页，'
  total=int(re.compile('(\d+)').search(total).group(1)) # 用正则表达式提取数字100
  # print(total)
  for i in range(2,total+1):
   next_page(i)
 except Exception:
  print('出错啦')
 finally: # 不管有没有异常，都要执行此操作
  browser.close() # 关浏览器
''' 

def main():
 total=search()
 total=int(re.compile('(\d+)').search(total).group(1))
 for i in range(2,total+1):
  next_page(i)#显示当前爬取网页的页数
  print ('搞定%d'%i) 

def save_to_mysql(product):
 # print(product['location'])
 #,use_unicode = False
 try:
  conn = pymysql.connect(host='localhost', user='root', passwd=' ', db='test1', port=3306,charset='utf8' )
  cur = conn.cursor() # 创建一个游标对象
  sql = """INSERT INTO women_clothes_zonghe VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s)"""
  cur.execute(sql, (product['shop_id'],product['shop'], product['link'],product['data_id'], product['title'], product['price'], product['location'],product['deal'],product['image']))
  # cur.execute(sql)
  print('- - - - - 数据保存成功 - - - - -')
  cur.close()
  conn.commit()
  conn.close() # 关闭数据
 except pymysql.Error as e:
  print(e) 

if __name__=='__main__':
 # 连接数据库
 conn = pymysql.connect(host='localhost', user='root', passwd=' ', db='test1', port=3306,charset="utf8")
 cur = conn.cursor() # 创建一个游标对象
 cur.execute("DROP TABLE IF EXISTS women_clothes_zonghe") # 如果表存在则删除
 # 创建表sql语句
 sqlc = """CREATE TABLE women_clothes_zonghe(
  shop_id VARCHAR(500),
  shop VARCHAR(500),
  link VARCHAR(1000),
  data_id varchar(100),
  title VARCHAR(1000),
  price VARCHAR(500),
  location VARCHAR(500),
  deal VARCHAR(500),
  image VARCHAR(1000)
 )"""
 cur.execute(sqlc) # 执行创建数据表操作
 main()

2、按销量

import re 

from bs4 import BeautifulSoup
from pyquery import PyQuery as pq #获取整个网页的源代码 

from config import * #可引用congif的所有变量
import pymongo
import pymysql 

import urllib
import requests
import json
import bs4 

from selenium import webdriver
from pyquery import PyQuery as pq #获取整个网页的源代码 

# 完整爬取所有页面的商品信息 共100页 按销量排序 

browser = webdriver.Firefox()
wait = WebDriverWait(browser,10) 

def get_url(keyword):
 url_str = urllib.parse.quote(keyword)
 i = 0
 for j in range(100):
  yield{
   'url':('https://s.taobao.com/search?q={}&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm='
   'a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170808&sort=sale-desc&bcoffset=0&p4ppushleft=%2C44&s={}').format(url_str,i)
  }
  i+=44 

# 可行
def get_products(url):
 browser.get(url)
 wait.until(EC.presence_of_all_elements_located((By.CSS_SELECTOR,'#mainsrp-itemlist .items .item'))) #加载所有宝贝
 html=browser.page_source
 doc = pq(html)
 # print(doc)
 items = doc('#mainsrp-itemlist .items .item').items()
 for item in items:
  product = {
   # 获取 image 时，用'src'总有部分图片获取不到，因为淘宝设有'data-src' 和'src'，不同商品这两个属性的前后顺序不一样，直接用'data-src'可避免返回 None
   'image':item.find('.pic .img').attr('data-src'),#用find去获取内部元素，选择器是 pic，img，用attr获取属性
   # 'image':item.find('.pic-box-inner').find('.pic').find('img').attr['src'],
   'price':item.find('.price').text()[1:-3], # 用text获取内容
   'shop_id': item.find('.shop').find('a').attr('data-userid'), # 店铺 id
   'data_id': item.find('.shop').find('a').attr('data-nid'), # 商品 id
   'link': item.find('.pic-box-inner').find('.pic').find('a').attr['href'],
   'deal':item.find('.deal-cnt').text()[:-3],
   'title':item.find('.title').text(),
   'shop':item.find('.shop').text(),
   'location':item.find('.location').text().replace(' ','')
  }
  # print(product)
  save_to_mysql(product) 

def save_to_mysql(product):
 try:
  conn = pymysql.connect(host='localhost',user='root',passwd=' ',port=3306,db='test1',charset='utf8')
  cur = conn.cursor()
  sql = "insert into women_clothes_sales2 values (%s,%s,%s,%s,%s,%s,%s,%s,%s)"
  cur.execute(sql,(product['shop_id'],product['shop'],product['link'],product['data_id'],product['title'],product['price'],product['location'],product['deal'],product['image']))
  print('- - - 数据保存成功 - - - ')
  cur.close()
  conn.commit()
  conn.close()
 except pymysql.Error as e:
  print(e) 

def main():
 keyword = '女装'
 links = get_url(keyword) # 字典
 # 获取每页的 url
 for link in links:
  # print(link)
  url = link['url']
  #解析页面
  # soup = get_html(url)
  # print(soup)
  # get_detail(soup,url)
  get_products(url) 

if __name__=='__main__':
 conn = pymysql.connect(host='localhost',user = 'root',passwd=' ',db='test1',port = 3306,charset='utf8')
 cur = conn.cursor()
 cur.execute('Drop table if exists women_clothes_sales2')
 sqlc = "create table women_clothes_sales2(shop_id varchar(100),shop varchar(500),link varchar(1000),data_id varchar(100),title varchar(500),price varchar(200),location varchar(100),deal varchar(100),image varchar(1000))"
 cur.execute(sqlc)
 cur.close()
 conn.commit()
 conn.close()
 main() 

更多内容请参考专题《python爬取功能汇总》进行学习。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

您可能感兴趣的文章:

• Python使用Selenium+BeautifulSoup爬取淘宝搜索页
• python3爬取各类天气信息
• 使用Python爬取最好大学网大学排名
• python爬虫爬取淘宝商品信息
• python3爬取淘宝信息代码分析
• Python如何抓取天猫商品详细信息及交易记录
• Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容
• Python抓取聚划算商品分析页面获取商品信息并以XML格式保存到本地
• python抓取网页中链接的静态图片
• 学习Python selenium自动化网页抓取器