selenium跳過webdriver檢測並爬取天貓商品數據

@

目錄

• 簡介
  • 編寫思路
  • 使用教程
  • 演示圖片
  • 源代碼

簡介

現在爬取淘寶，天貓商品數據都是需要首先進行登錄的。上一節我們已經完成了模擬登錄淘寶的步驟，所以在此不詳細講如何模擬登錄淘寶。把關鍵點放在如何爬取天貓商品數據上。

過去我曾經使用get/post方式進行爬蟲，同時也加入IP代理池進行跳過檢驗，但隨着大型網站的升級，采取該策略比較難實現了。因為你使用get/post方式進行爬取數據，會提示需要登錄，而登錄又是一大難題，需要滑動驗證碼驗證。當你想使用IP代理池進行跳過檢驗時，發現登錄時需要手機短信驗證碼驗證，由此可以知道舊的全自動爬取數據對於大型網站比較困難了(小型網站可以使用get/post，沒檢測或者檢測系數較低)。

selenium是一款優秀的WEB自動化測試工具，所以現在采用selenium進行半自動化爬取數據。

編寫思路

由於現在大型網站對selenium工具進行檢測，若檢測到selenium，則判定為機器人，訪問被拒絕。所以第一步是要防止被檢測出為機器人，如何防止被檢測到呢？當使用selenium進行自動化操作時，在chrome瀏覽器中的consloe中輸入windows.navigator.webdriver會發現結果為Ture，而正常使用瀏覽器的時候該值為False。所以我們將windows.navigator.webdriver進行屏蔽。
在代碼中添加：

        options = webdriver.ChromeOptions()
        # 此步驟很重要，設置為開發者模式，防止被各大網站識別出來使用了Selenium
        options.add_experimental_option('excludeSwitches', ['enable-automation']) 
        self.browser = webdriver.Chrome(executable_path=chromedriver_path, options=options)

同時，為了加快爬取速度，我們將瀏覽器模式設置為不加載圖片，在代碼中添加：

        options = webdriver.ChromeOptions()
        # 不加載圖片,加快訪問速度
        options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2}) 

同時，為了模擬人工操作，我們在瀏覽網頁的時候，模擬下滑，插入代碼：

    # 模擬向下滑動瀏覽
    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，關鍵的步驟我們已經懂了，剩下的就是編寫代碼的事情了。在給定的例子中，需要你對html、css有一定了解。
比如存在以下代碼：

        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行代碼指的是從根目錄(//)開始尋找任意(*)一個class名為btn_tip的元素，並找到btn_tip的子元素a標簽中的子元素span

第2行代碼指的是等待某個CSS元素出現，否則代碼停留在這里一直檢測。以.開頭的在CSS中表示類名(class)，以#開頭的在CSS中表示ID名(id)。A > B，指的是A的子元素B。所以這行代碼可以理解為尋找A的子元素B的子元素C的子元素D的子元素E出現，否則一直在這里檢測。

第3行代碼指的是打印某個元素的文本內容

看完上面的代碼，我們大概了解了selenium中html、css的基本規則。我們來實踐一下，在搜索商品的時候如何檢測一共有多少頁呢？不妨看看以下代碼：

        # 等待該頁面全部商品數據加載完畢
        good_total = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#J_ItemList > div.product > div.product-iWrap')))

        # 等待該頁面input輸入框加載完畢
        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')))

        # 獲取當前頁
        now_page = input.get_attribute('value')
        print("當前頁數" + now_page + ",總共頁數" + page_total)

打開chrome中的控制台，轉向console。點擊console面板中的十字指針，移動到網頁中的“共31頁，到第1頁”，然后點擊。你就可以看到該元素的class名為ui-page-skipTo，由於在css中，class用.表示，所以代碼為.ui-page-skipTo。

同時由於他的類型是input輸入框，變成input.ui-page-skipTo。那么是否可以把代碼直接寫成.ui-page-skipTo呢？答案是不一定，如果這個元素在網頁中是唯一的，沒有其他的input的名字也叫ui-page-skipTo的話，就可以。

所以，為了保證代碼健壯性，我們從他的父元素一直查找，直到我們覺得那個父元素是唯一的，那么這樣查找到的元素就是唯一的了。所以最終查找到的結果為.ui-page > div.ui-page-wrap > b.ui-page-skip > form > input.ui-page-skipTo

最后，我們獲取這個Input的值，代碼為input.get_attribute('value')

在獲取商品數據中，存在以下代碼：

        # 獲取本頁面源代碼
        html = self.browser.page_source

        # pq模塊解析網頁源代碼
        doc = pq(html)

        # 存儲天貓商品數據
        good_items = doc('#J_ItemList .product').items()

        # 遍歷該頁的所有商品
        for item in good_items:
            good_title = item.find('.productTitle').text().replace('\n',"").replace('\r',"")
            good_status = item.find('.productStatus').text().replace(" ","").replace("筆","").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，我們獲取本頁面的源代碼html = self.browser.page_source，然后用pq模塊對源代碼進行格式化解析doc = pq(html)，通過上面的講解，我們已經學會了如何分析css元素了。你會發現有一個DIV元素包含着所有商品元素，他的ID(不是class哦)為J_ItemList，所以代碼為#J_ItemList，由於我們要獲取的是每一個商品，所以代碼為#J_ItemList .product，這樣就可以獲取所有class名為product的元素啦。

接着對每個商品元素進行分析，后面的就不必詳細說了。replace函數是對文本進行一些基本替換。

使用教程

1. 點擊這里下載下載chrome瀏覽器
2. 查看chrome瀏覽器的版本號，點擊這里下載對應版本號的chromedriver驅動
3. pip安裝下列包
   • [x] pip install selenium
4. 點擊這里登錄微博，並通過微博綁定淘寶賬號密碼
5. 在main中填寫chromedriver的絕對路徑
6. 在main中填寫微博賬號密碼

	#改成你的chromedriver的完整路徑地址
    chromedriver_path = "/Users/bird/Desktop/chromedriver.exe" 
    #改成你的微博賬號
    weibo_username = "改成你的微博賬號"
    #改成你的微博密碼
    weibo_password = "改成你的微博密碼"
    

演示圖片

爬蟲過程圖片查看不了點擊這里
爬蟲結果圖片查看不了點擊這里

源代碼

項目源代碼在GitHub倉庫

項目持續更新，歡迎您star本項目