淘宝商品信息爬取

源代码如下：

import re
import pymongo
from pyquery import PyQuery as pq
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from config import *

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

browser = webdriver.Chrome()
wait = WebDriverWait(browser, 100)

def search():
    try:
        browser.get("https://www.taobao.com/")
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,\'#q\' )))
        # 一直等待，直到输入栏加载出来，等待时间不超过100秒
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,\'#J_TSearchForm > div.search-button > button\')))
        # 一直等待，直到按钮可以点击，等待时间不超过100秒
        input.send_keys(\'ipad\')
        submit.click()
        total = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,\'#mainsrp-pager > div > div > div > div.total\')))
        # 一直等待，直到“共100页”的标签加载出来
        get_products()  # 获取加载页所有商品的信息，并保存到 mongodb
        return total.text
    except TimeoutException:  # 如果网络不好，加载超时，则重新调用search()方法
        return search()

def next_page(page_number):  # 对其他页执行类似于 search() 的操作
    try:
        input = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, \'#mainsrp-pager > div > div > div > div.form > input\')))
        submit = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, \'#mainsrp-pager > div > div > div > div.form > span.btn.J_Submit\')))
        input.clear()
        input.send_keys(page_number)
        submit.click()
        wait.until(EC.text_to_be_present_in_element((By.CSS_SELECTOR,\'#mainsrp-pager > div > div > div > ul > li.item.active > span\'),str(page_number)))
        get_products()
    except TimeoutException:
        return next_page(page_number)

def get_products():
    wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, \'#mainsrp-itemlist .items .item\')))
    # 一直等待，直到商品信息加载出来
    html = browser.page_source
    # 获取浏览器当前的网址
    doc = pq(html)
    # 利用pyquery方法获取网页信息
    items = doc(\'#mainsrp-itemlist .items .item\').items()
    for item in items:
        product = {
            \'image\': item.find(\'.pic .img\').attr(\'src\'),
            \'price\': item.find(\'.price\').text(),       # 获取标签里的文字
            \'deal\': item.find(\'.deal-cnt\').text()[:-3],
            \'title\': item.find(\'.title\').text(),
            \'shop\': item.find(\'.shop\').text(),
            \'location\': item.find(\'.location\').text()
        }
        print(product)
        save_to_mongo(product)

def save_to_mongo(result):
    try:
        if db[MONGO_TABLE].insert(result):
            print(\'存储到MONGODB成功\',result)
    except Exception:
        print(\'存储到MONGODB失败\',result)

def main():
    total = search()
    total = int(re.compile(\'(\d+)\').search(total).group(1))
    print(total)
    # for i in range(2, total + 1):    # 用于循环加载100个页面的信息
    #     next_page(i)
    browser.close()

if __name__ == \'__main__\':
    main()

困难一：刚开始一直按照崔庆才老师的视频教学编写程序，由于是2017年的教学视频，和现在的淘宝页面有些不太一样，每次点击搜索按钮都需要扫描登陆进去才行，结果更换页面后，搜索的 ‘’美食‘’ 就变成了繁体字，可能是不同加载页面的请求方式不同，前者是 Get 方法，后者是 Post 方法，造成字节编码错误。因此我就用英文搜索 ‘iphone’，就不会出现乱码了。

困难二：import pymongo 一直报错，网上查找方法，最后得知是需要新加一个 interpreter（解释器），经验证有效。我想这应该是我的python装在D盘， MongoDB 装在C盘的缘故吧。教学视频都是装在C盘就没这种问题。但现在提示说 No Python interpreter configured for the project，不过程序可以正常运行，具体原因还在进一步探索。

困难三：淘宝页面如果一直加载下一页的话，更到了十几页，就会报警提示，这应该是淘宝自己做的程序，目前还不会改进。