scrapy+selenium爬取淘宝商品信息

本文仅作经验分享，不做商业用途，如涉及权利问题，请通知删除。

scrapy+selenium爬取淘宝商品信息

• 建立scrapy项目
• 对目标网站进行分析
• selenium模拟登录
• 发起请求
• 获取数据
• 保存数据

建立scrapy项目

scrapy和selenium是爬虫常用的手段，现在我们开始新建个scrapy项目。

scrapy startproject taobao_s
cd taobao_s
scrapy genspider taobao s.taobao.com

建立一个taobao_s项目，在生成个spider taobao
生成项目结构如下

对目标网站进行分析

淘宝网反爬机制做的很全面，所以要爬取它要有一定条件。
首先淘宝网有个链接http://s.taobao.com/search?q=，这个链接能够不需要登录进行查询内容，但是我们爬虫时可能会被识别出来，所以我们应该尝试模拟登录淘宝保存cookie然后进行查询，这里我们模拟登录利用的是最近的办法，利用微博账号进行登录。接下来我们就进行selenium模拟登录。

selenium模拟登录

淘宝登陆页面https://login.taobao.com/member/login.jhtml
现在模拟登录常用的方法有支付宝账号登录（偶有滑块验证）、扫码登陆（最麻瓜的）、微博账号登陆（偶有验证码）本文利用的是微博账号进行登陆。
打开浏览器，进入页面，定位密码登陆，定位微博登陆，然后进行模拟登陆，值得一提的是同一账号登陆多次就会有验证码生成，建议多准备一些账号或者是加入输入验证码逻辑（穷学生用不起打码平台）登陆完成后利用get_cookies()来获取cookie保存下来，以下是登陆的代码

    def loginTaobao():
        url = 'https://login.taobao.com/member/login.jhtml'
        options = webdriver.ChromeOptions()
        # 不加载图片,加快访问速度
        # options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})
        # 此步骤很重要，设置为开发者模式，防止被各大网站识别出来使用了Selenium
        options.add_experimental_option('excludeSwitches', ['enable-automation'])
        # options.add_argument('--headless')
        browser = webdriver.Chrome(executable_path="G:chromedriver_win32chromedriver.exe", options=options)
        wait = WebDriverWait(browser, 10)  # 超时时长为10s
        # 打开网页
        browser.get(url)
        # 自适应等待，点击密码登录选项
        browser.implicitly_wait(30)  # 智能等待，直到网页加载完毕，最长等待时间为30s
        browser.find_element_by_xpath('//*[@class="forget-pwd J_Quick2Static"]').click()
        browser.find_element_by_xpath('//*[@class="weibo-login"]').click()
        browser.find_element_by_name('username').send_keys('微博账号')
        browser.find_element_by_name('password').send_keys('微博密码')
        browser.find_element_by_xpath('//*[@class="btn_tip"]/a/span').click()
       
        # 直到获取到淘宝会员昵称才能确定是登录成功
        taobao_name = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
                                                                      '.site-nav-bd > ul.site-nav-bd-l > li#J_SiteNavLogin > div.site-nav-menu-hd > div.site-nav-user > a.site-nav-login-info-nick ')))
        # 输出淘宝昵称
        print(taobao_name.text)

        cookies = browser.get_cookies()  
        browser.close()  # 获取cookies便可以关闭浏览器
        # 然后的关键就是保存cookies，之后请求从文件中读取cookies就可以省去每次都要登录一次的
        jsonCookies = json.dumps(cookies)  # 通过json将cookies写入文件
        with open('taobaoCookies.json', 'w') as f:
            f.write(jsonCookies)
        print(cookies)

发起请求

一般建立scrapy项目会利用start_urls来发起请求，但是我们自己做的话还是利用start_requests来做居多。注释掉start_urls，编写start_requests的逻辑。
https://s.taobao.com/search?q=%s&sort=sale-desc&s=%s
这里用%s代表了一个搜索的内容；一个代表商品个数，淘宝的信息是以44个商品一页的，也就是换成45的话就是第二页了。这里我们可以用range构造一下后面这个参数。
在settings中定义三个参数

KEY_WORDS = “拖鞋 男” #搜索词
PAGE_NUM = 10 #页数
ONE_PAGE_COUNT = 44 #每页个数

    def start_requests(self):
        if not Path('taobaoCookies.json').exists():
            __class__.loginTaobao()  # 先执行login，保存cookies之后便可以免登录操作
        # 从文件中获取保存的cookies
        with open('taobaoCookies.json', 'r', encoding='utf-8') as f:
            listcookies = json.loads(f.read())  # 获取cookies
        # 把获取的cookies处理成dict类型
        cookies_dict = dict()
        for cookie in listcookies:
            # 在保存成dict时，我们其实只要cookies中的name和value，而domain等其他都可以不要
            cookies_dict[cookie['name']] = cookie['value']
        key_words = self.settings['KEY_WORDS']
        key_words = parse.quote(key_words).replace(' ', '+')
        print(key_words)
        page_num = self.settings['PAGE_NUM']
        one_page_num = self.settings['ONE_PAGE_COUNT']
        for i in range(page_num):
            url = self.base_url % (key_words, i*one_page_num)
            yield scrapy.Request(url, cookies=cookies_dict, callback=self.parse, headers=__class__.headers)

获取数据

一般来说我们都是在parse来获取response里的各种数据的，也有可能会爬取多次，再跳转到详情页内抓取评论parseNext(之后打算继续做)，在用parse之前我们要先准备item

class TaobaoSItem(scrapy.Item):
    # define the fields for your item here like:
    price = scrapy.Field()
    sales = scrapy.Field()
    title = scrapy.Field()
    nick = scrapy.Field()
    loc = scrapy.Field()
    detail_url = scrapy.Field()
    nid = scrapy.Field()
    sellerid = scrapy.Field()

定义好item后就写传值逻辑了,我们抓取可以利用xpath定位来拿，也可以用re来定位，而我这里是利用re从js里拿数据

    def parse(self, response):
        p = 'g_page_config = ({.*?});'
        g_page_config = response.selector.re(p)[0]
        g_page_config = json.loads(g_page_config)
        auctions = g_page_config['mods']['itemlist']['data']['auctions']
        url1 = 'https://rate.tmall.com/list_detail_rate.htm?itemId=%s&sellerId=%s&order=3&currentPage=%s'
        # 从文件中获取保存的cookies
        with open('taobaoCookies.json', 'r', encoding='utf-8') as f:
            listcookies = json.loads(f.read())  # 获取cookies
        # 把获取的cookies处理成dict类型
        cookies_dict = dict()
        for cookie in listcookies:
            # 在保存成dict时，我们其实只要cookies中的name和value，而domain等其他都可以不要
            cookies_dict[cookie['name']] = cookie['value']
        for auction in auctions:
            item = TaobaoSItem()
            item['price'] = auction['view_price']
            item['sales'] = auction['view_sales']
            item['title'] = auction['raw_title']
            item['nick'] = auction['nick']
            item['loc'] = auction['item_loc']
            item['detail_url'] = auction['detail_url']
            item['nid'] = auction['nid']
            item['sellerid'] = auction['user_id']
            yield item

保存数据

这个凭借个人喜好吧，可以存json、csv或者存入数据库mongodb、redis之类的。但是最好把保存数据的逻辑放在管道Pipelines里，当然我之前那个登陆其实放在中间件里更好
这里我是保存到mongoDB

import pymongo
class TaobaoSPipeline(object):

    def open_spider(self,spider):
        client = pymongo.MongoClient(host='127.0.0.1', port=27017)
        db = client['taobao']
        self.q = db['product']

    def process_item(self, item, spider):
        self.q.update({'nid': item['nid']}, {'$set': dict(item)}, True)
        return item

跑一下就可以拿到数据了

项目源码
以上也是我初次用scrapy爬取，以往request+selenium就行了，如果有问题，可以与我交流。