selenium跳过webdriver检测并爬取天猫商品数据

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

  1. 点击这里下载下载chrome浏览器
  2. 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
  3. pip安装下列包

    • [x] pip install selenium
  4. 点击这里登录微博,并通过微博绑定淘宝账号密码
  5. 在main中填写chromedriver的绝对路径
  6. 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

阅读 2.1k

推荐阅读
python
用户专栏

一些关于python的实用项目。

497 人关注
12 篇文章
专栏主页