共计 3958 个字符，预计需要花费 10 分钟才能阅读完成。
简介
现在爬取淘宝，天猫商品数据都是需要首先进行登录的。上一节我们已经完成了模拟登录淘宝的步骤，所以在此不详细讲如何模拟登录淘宝。把关键点放在如何爬取天猫商品数据上。
过去我曾经使用 get/post 方式进行爬虫，同时也加入 IP 代理池进行跳过检验，但随着大型网站的升级，采取该策略比较难实现了。因为你使用 get/post 方式进行爬取数据，会提示需要登录，而登录又是一大难题，需要滑动验证码验证。当你想使用 IP 代理池进行跳过检验时，发现登录时需要手机短信验证码验证，由此可以知道旧的全自动爬取数据对于大型网站比较困难了(小型网站可以使用 get/post，没检测或者检测系数较低)。
selenium 是一款优秀的 WEB 自动化测试工具，所以现在采用 selenium 进行半自动化爬取数据。
编写思路
由于现在大型网站对 selenium 工具进行检测，若检测到 selenium，则判定为机器人，访问被拒绝。所以第一步是要防止被检测出为机器人，如何防止被检测到呢？当使用 selenium 进行自动化操作时，在 chrome 浏览器中的 consloe 中输入 windows.navigator.webdriver 会发现结果为 Ture，而正常使用浏览器的时候该值为 False。所以我们将 windows.navigator.webdriver 进行屏蔽。在代码中添加：
options = webdriver.ChromeOptions()
# 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’])
self.browser = webdriver.Chrome(executable_path=chromedriver_path, options=options)
同时，为了加快爬取速度，我们将浏览器模式设置为不加载图片，在代码中添加：
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})
同时，为了模拟人工操作，我们在浏览网页的时候，模拟下滑，插入代码：
# 模拟向下滑动浏览
def swipe_down(self,second):
for i in range(int(second/0.1)):
js = “var q=document.documentElement.scrollTop=” + str(300+200*i)
self.browser.execute_script(js)
sleep(0.1)
js = “var q=document.documentElement.scrollTop=100000″
self.browser.execute_script(js)
sleep(0.2)
至此，关键的步骤我们已经懂了，剩下的就是编写代码的事情了。在给定的例子中，需要你对 html、css 有一定了解。比如存在以下代码：
self.browser.find_element_by_xpath(‘//*[@class=”btn_tip”]/a/span’).click()
taobao_name = self.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 ‘)))
print(taobao_name.text)
第 1 行代码指的是从根目录 (//) 开始寻找任意 (*) 一个 class 名为 btn_tip 的元素，并找到 btn_tip 的子元素 a 标签中的子元素 span
第 2 行代码指的是等待某个 CSS 元素出现，否则代码停留在这里一直检测。以. 开头的在 CSS 中表示类名(class)，以 #开头的在 CSS 中表示 ID 名(id)。A > B，指的是 A 的子元素 B。所以这行代码可以理解为寻找 A 的子元素 B 的子元素 C 的子元素 D 的子元素 E 出现，否则一直在这里检测。
第 3 行代码指的是打印某个元素的文本内容
看完上面的代码，我们大概了解了 selenium 中 html、css 的基本规则。我们来实践一下，在搜索商品的时候如何检测一共有多少页呢？不妨看看以下代码：
# 等待该页面全部商品数据加载完毕
good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, ‘#J_ItemList > div.product > div.product-iWrap’)))
# 等待该页面 input 输入框加载完毕
input = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, ‘.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo’)))
# 获取当前页
now_page = input.get_attribute(‘value’)
print(“ 当前页数 ” + now_page + “, 总共页数 ” + page_total)
打开 chrome 中的控制台，转向 console。点击 console 面板中的十字指针，移动到网页中的“共 31 页，到第 1 页”，然后点击。你就可以看到该元素的 class 名为 ui-page-skipTo，由于在 css 中，class 用. 表示，所以代码为.ui-page-skipTo。
同时由于他的类型是 input 输入框，变成 input.ui-page-skipTo。那么是否可以把代码直接写成.ui-page-skipTo 呢？答案是不一定，如果这个元素在网页中是唯一的，没有其他的 input 的名字也叫 ui-page-skipTo 的话，就可以。
所以，为了保证代码健壮性，我们从他的父元素一直查找，直到我们觉得那个父元素是唯一的，那么这样查找到的元素就是唯一的了。所以最终查找到的结果为.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo
最后，我们获取这个 Input 的值，代码为 input.get_attribute(‘value’)
在获取商品数据中，存在以下代码：
# 获取本页面源代码
html = self.browser.page_source
# pq 模块解析网页源代码
doc = pq(html)
# 存储天猫商品数据
good_items = doc(‘#J_ItemList .product’).items()
# 遍历该页的所有商品
for item in good_items:
good_title = item.find(‘.productTitle’).text().replace(‘\n’,””).replace(‘\r’,””)
good_status = item.find(‘.productStatus’).text().replace(” “,””).replace(“ 笔 ”,””).replace(‘\n’,””).replace(‘\r’,””)
good_price = item.find(‘.productPrice’).text().replace(“¥”, “”).replace(” “, “”).replace(‘\n’, “”).replace(‘\r’, “”)
good_url = item.find(‘.productImg’).attr(‘href’)
print(good_title + ” ” + good_status + ” ” + good_price + ” ” + good_url + ‘\n’)
首先，我们获取本页面的源代码 html = self.browser.page_source，然后用 pq 模块对源代码进行格式化解析 doc = pq(html)，通过上面的讲解，我们已经学会了如何分析 css 元素了。你会发现有一个 DIV 元素包含着所有商品元素，他的 ID(不是 class 哦)为 J_ItemList，所以代码为 #J_ItemList，由于我们要获取的是每一个商品，所以代码为#J_ItemList .product，这样就可以获取所有 class 名为 product 的元素啦。
接着对每个商品元素进行分析，后面的就不必详细说了。replace 函数是对文本进行一些基本替换。
使用教程
点击这里下载下载 chrome 浏览器
查看 chrome 浏览器的版本号，点击这里下载对应版本号的 chromedriver 驱动
pip 安装下列包
[x] pip install selenium
点击这里登录微博，并通过微博绑定淘宝账号密码
在 main 中填写 chromedriver 的绝对路径
在 main 中填写微博账号密码
#改成你的 chromedriver 的完整路径地址
chromedriver_path = “/Users/bird/Desktop/chromedriver.exe”
#改成你的微博账号
weibo_username = “ 改成你的微博账号 ”
#改成你的微博密码
weibo_password = “ 改成你的微博密码 ”
演示图片
爬虫过程图片查看不了点击这里爬虫结果图片查看不了点击这里
源代码
项目源代码在 GitHub 仓库
项目持续更新，欢迎您 star 本项目
