这篇文章，我们将通过 selenium 模拟用户使用浏览器的行为，爬取京东商品信息，还是先放上最终的效果图：

1、网页分析

（1）初步分析

原本博主打算写一个能够爬取所有商品信息的爬虫，可是在分析过程中发现，不同商品的网页结构竟然是不一样的

所以，后来就放弃了这个想法，转为只爬取笔记本类型商品的信息

如果需要爬取其它类型的商品信息，只需把提取数据的规则改变一下就好，有兴趣的朋友可以自己试试看呀

好了，下面我们正式开始！

首先，用 Chrome 浏览器打开 ，我们很容易发现该网页是一个 动态加载 的网页

因为刚打开网页时只会显示 30 个商品的信息，可是当我们向下拖动网页时，它会再次加载剩下 30 个商品的信息

这时候我们可以通过 selenium 模拟浏览器下拉网页的过程，获取网站全部商品的信息

>>> browser.execute_script("window.scrollTo(0,document.body.scrollHeight)")

（2）模拟翻页

另外，我们发现该网站一共有 100 个网页

我们可以通过构造 URL 来获取每一个网页的内容，但是这里我们还是选择使用 selenium 模拟浏览器的翻页行为

下拉网页至底部可以发现有一个 下一页 的按钮，我们只需获取并点击该元素即可实现翻页

>>> browser.find_element_by_xpath('//a[@class="pn-next" and @onclick]').click()

（3）获取数据

接下来，我们需要解析每一个网页来获取我们需要的数据，具体包括（可以使用 selenium 选择元素）：

• 商品 ID：browser.find_elements_by_xpath('//li[@data-sku]') ，用于构造链接地址
• 商品价格：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[2]/strong/i')
• 商品名称：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[3]/a/em')
• 评论人数：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[4]/strong')

2、编码实现

好了，分析过程很简单，基本思路是使用 selenium 模拟浏览器的行为，下面是代码实现

from selenium import webdriverfrom selenium.webdriver.support.wait import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.common.by import Byimport selenium.common.exceptionsimport jsonimport csvimport timeclass JdSpider():    def open_file(self):        self.fm = input('请输入文件保存格式（txt、json、csv）：')        while self.fm!='txt' and self.fm!='json' and self.fm!='csv':            self.fm = input('输入错误，请重新输入文件保存格式（txt、json、csv）：')        if self.fm=='txt' :            self.fd = open('Jd.txt','w',encoding='utf-8')        elif self.fm=='json' :            self.fd = open('Jd.json','w',encoding='utf-8')        elif self.fm=='csv' :            self.fd = open('Jd.csv','w',encoding='utf-8',newline='')    def open_browser(self):        self.browser = webdriver.Chrome()        self.browser.implicitly_wait(10)        self.wait = WebDriverWait(self.browser,10)    def init_variable(self):        self.data = zip()        self.isLast = False    def parse_page(self):        try:            skus = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//li[@class="gl-item"]')))            skus = [item.get_attribute('data-sku') for item in skus]            links = ['https://item.jd.com/{sku}.html'.format(sku=item) for item in skus]            prices = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="gl-i-wrap"]/div[2]/strong/i')))            prices = [item.text for item in prices]            names = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="gl-i-wrap"]/div[3]/a/em')))            names = [item.text for item in names]            comments = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="gl-i-wrap"]/div[4]/strong')))            comments = [item.text for item in comments]            self.data = zip(links,prices,names,comments)        except selenium.common.exceptions.TimeoutException:            print('parse_page: TimeoutException')            self.parse_page()        except selenium.common.exceptions.StaleElementReferenceException:            print('parse_page: StaleElementReferenceException')            self.browser.refresh()    def turn_page(self):        try:            self.wait.until(EC.element_to_be_clickable((By.XPATH,'//a[@class="pn-next"]'))).click()            time.sleep(1)            self.browser.execute_script("window.scrollTo(0,document.body.scrollHeight)")            time.sleep(2)        except selenium.common.exceptions.NoSuchElementException:            self.isLast = True        except selenium.common.exceptions.TimeoutException:            print('turn_page: TimeoutException')            self.turn_page()        except selenium.common.exceptions.StaleElementReferenceException:            print('turn_page: StaleElementReferenceException')            self.browser.refresh()    def write_to_file(self):        if self.fm == 'txt':            for item in self.data:                self.fd.write('----------------------------------------\n')                self.fd.write('link：' + str(item[0]) + '\n')                self.fd.write('price：' + str(item[1]) + '\n')                self.fd.write('name：' + str(item[2]) + '\n')                self.fd.write('comment：' + str(item[3]) + '\n')        if self.fm == 'json':            temp = ('link','price','name','comment')            for item in self.data:                json.dump(dict(zip(temp,item)),self.fd,ensure_ascii=False)        if self.fm == 'csv':            writer = csv.writer(self.fd)            for item in self.data:                writer.writerow(item)    def close_file(self):        self.fd.close()    def close_browser(self):        self.browser.quit()    def crawl(self):        self.open_file()        self.open_browser()        self.init_variable()        print('开始爬取')        self.browser.get('https://search.jd.com/Search?keyword=%E7%AC%94%E8%AE%B0%E6%9C%AC&enc=utf-8')        time.sleep(1)        self.browser.execute_script("window.scrollTo(0,document.body.scrollHeight)")        time.sleep(2)        count = 0        while not self.isLast:            count += 1            print('正在爬取第 ' + str(count) + ' 页......')            self.parse_page()            self.write_to_file()            self.turn_page()        self.close_file()        self.close_browser()        print('结束爬取')if __name__ == '__main__':    spider = JdSpider()    spider.crawl()

代码中有几个需要注意的地方，现在记录下来便于以后学习：

1、self.fd = open('Jd.csv','w',encoding='utf-8',newline='')

在打开 csv 文件时，最好加上参数 newline='' ，否则我们写入的文件会出现空行，不利于后续的数据处理

2、self.browser.execute_script("window.scrollTo(0,document.body.scrollHeight)")

在模拟浏览器向下拖动网页时，由于数据更新不及时，所以经常出现 StaleElementReferenceException 异常

一般来说有两种处理方法：

• 在完成操作后使用 time.sleep() 给浏览器充足的加载时间
• 捕获该异常进行相应的处理

3、skus = [item.get_attribute('data-sku') for item in skus]

在 selenium 中使用 xpath 语法选取元素时，无法直接获取节点的属性值，而需要使用 get_attribute() 方法

4、无头启动浏览器可以加快爬取速度，只需在启动浏览器时设置无头参数即可

opt = webdriver.chrome.options.Options()opt.set_headless()browser = webdriver.Chrome(chrome_options=opt)

【爬虫系列相关文章】