哈喽大家好，我是咸鱼
好久没更新 python 爬虫相关的文章了，今天我们使用 selenium 模块来简单写个爬虫程序——爬取某东网商品信息
网址链接：https://www.jd.com/
(资料图)
完整源码在文章最后
元素定位我们需要找到网页上元素的位置信息（xpth 路径）我们首先需要知道搜索框和搜索按钮的位置，然后才能把商品名字输入到搜索框中并点击收缩按钮
打开 F12，通过开发者调试工具检查相应的的位置，可得如下 Xpath 表达式：
# 输入框位置：//*[@id="key"]# 搜索按钮位置：//*[@class="form"]/button以 python 书籍为例我们需要获取商品的名字、价格、评价数量以及店铺名然后通过发者调试工具检查相应的的位置，可得如下 Xpath 表达式：
# 当前页面商品列表//*[@id="J_goodsList"]/ul/li# 商品名字.//div[@class="p-name"]/a/em | .//div[@class="p-name p-name-type-2"]/a/em# 商品价格.//div[@class="p-price"]/strong# 商品评价数量.//div[@class="p-commit"]/strong#店铺名字.//div[@class="p-shopnum"] | .//div[@class="p-shop"]请注意，我在定位商品名字 xpath 的时候用了或（|），这是因为我在爬取其他商品信息的时候发现商品名字的 xpath 路径有多个
.//div[@class="p-name"]/a/em 或 .//div[@class="p-name p-name-type-2"]/a/em商品店铺名字同理
.//div[@class="p-shopnum"] 或 .//div[@class="p-shop"]且多个 Xpath 路径表达式可以同时使用，其语法如下：
xpath表达式1 | xpath表达式2 | xpath表达式3实现了自动搜索后，接下来就是要抓取页面中的商品信息
需要注意的是你会发现只有将滑动条滚动至底部，商品才会全部加载完毕
我们还需要做个判断，当爬取到最后一页时，下一页这个按钮是点击不了的，这时候就退出爬虫程序
代码实现首先我们定义一个类 JdSpider，然后给它初始化对象
class JdSpider(object): def __init__(self): self.url = "http://www.jd.com/" self.options = webdriver.ChromeOptions() self.options.add_argument("--headless") # 设置不显示窗口 self.browser = webdriver.Chrome(options=self.options) # 创建浏览器对象 self.i = 0 # 计数，一共有多少件商品然后是输入商品名字点击搜索按钮的代码实现
def get_html(self): self.browser.get(self.url) self.browser.find_element(By.XPATH, "//*[@id="key"]").send_keys("python书籍") self.browser.find_element(By.XPATH, "//*[@class="form"]/button").click()获取信息
def get_data(self): # 执行js语句，拉动进度条 self.browser.execute_script( "window.scrollTo(0,document.body.scrollHeight)" ) # 给页面元素加载时预留时间 time.sleep(2) # 用xpath提取每页中所有商品，最终形成一个大列表 \ li_list = self.browser.find_elements(By.XPATH, "//*[@id="J_goodsList"]/ul/li") for li in li_list: # 构建空字典 item = {} item["name"]=li.find_element(By.XPATH, ".//div[@class="p-name"]/a/em | .//div[@class="p-name p-name-type-2"]/a/em").text.strip() item["price"]=li.find_element(By.XPATH, ".//div[@class="p-price"]/strong").text.strip() item["count"]=li.find_element(By.XPATH, ".//div[@class="p-commit"]/strong").text.strip() item["shop"]=li.find_element(By.XPATH, ".//div[@class="p-shopnum"] | .//div[@class="p-shop"]").text.strip() print(item) self.i += 1入口函数
def run(self): # 搜索出想要抓取商品的页面 self.get_html() # 循环执行点击“下一页”操作 while True: # 获取每一页要抓取的数据 self.get_data() # 判断是否是最一页,-1说明没找到,不是最后一页,执行点击 “下一页” 操作 print(self.browser.page_source.find("pn-next disabled")) if self.browser.page_source.find("pn-next disabled") == -1: self.browser.find_element(By.CLASS_NAME, "pn-next").click() # 预留元素加载时间 time.sleep(1) else: print("数量", self.i) break跑一下看看
小伙伴们可以对爬取到的数据进行一下数据清洗处理等操作，就能够进行数据分析了
源码如下：
from selenium import webdriverimport timefrom selenium.webdriver.common.by import Byclass JdSpider(object): def __init__(self): self.url = "http://www.jd.com/" self.options = webdriver.ChromeOptions() self.options.add_argument("--headless") # 无头模式 self.browser = webdriver.Chrome(options=self.options) # 创建无界面参数的浏览器对象 self.i = 0 # 计数，一共有多少件商品 # 输入地址+输入商品+点击按钮，切记这里元素节点是京东首页的输入栏、搜索按钮 def get_html(self): self.browser.get(self.url) self.browser.find_element(By.XPATH, "//*[@id="key"]").send_keys("python书籍") self.browser.find_element(By.XPATH, "//*[@class="form"]/button").click() # 把进度条件拉倒最底部+提取商品信息 def get_data(self): # 执行js语句，拉动进度条件 self.browser.execute_script( "window.scrollTo(0,document.body.scrollHeight)" ) # 给页面元素加载时预留时间 time.sleep(2) # 用xpath提取每页中所有商品，最终形成一个大列表 \ li_list = self.browser.find_elements(By.XPATH, "//*[@id="J_goodsList"]/ul/li") for li in li_list: # 构建空字典 item = {} item["name"]=li.find_element(By.XPATH, ".//div[@class="p-name"]/a/em | .//div[@class="p-name p-name-type-2"]/a/em").text.strip() item["price"]=li.find_element(By.XPATH, ".//div[@class="p-price"]/strong").text.strip() item["count"]=li.find_element(By.XPATH, ".//div[@class="p-commit"]/strong").text.strip() item["shop"]=li.find_element(By.XPATH, ".//div[@class="p-shopnum"] | .//div[@class="p-shop"]").text.strip() print(item) self.i += 1 def run(self): # 搜索出想要抓取商品的页面 self.get_html() # 循环执行点击“下一页”操作 while True: # 获取每一页要抓取的数据 self.get_data() # 判断是否是最一页,-1说明没找到,不是最后一页,执行点击 “下一页” 操作 print(self.browser.page_source.find("pn-next disabled")) if self.browser.page_source.find("pn-next disabled") == -1: self.browser.find_element(By.CLASS_NAME, "pn-next").click() # 预留元素加载时间 time.sleep(1) else: print("数量", self.i) breakif __name__ == "__main__": spider = JdSpider() spider.run()