huguo002 发表于 2019-7-13 16:59

阿里图片采集,python selenium 采集阿里巴巴商品图片数据

python selenium 采集阿里巴巴商品图片数据
python selenium 采集阿里巴巴商品图片数据

selenium是用于web自动化测试的工具集,通过驱动浏览器代替人工完成兼容性测试或功能回归测试,支持多浏览器及多语言开发。我这里用的是谷歌浏览器Chrome,环境需要自己提前配置!!
环境配置参考:https://blog.csdn.net/minge89/article/details/95765674


商品首图只采集了前5张的链接,关于列表的链接获取,有空再研究分享吧!代码参考百度的,随便玩了一下!萌新,大佬不要笑,可以的话,各位老哥多指点一下!

#采集阿里巴巴商品图片数据

from selenium import webdriver
import time
import requests
import os
import re


def crawle(url):
    browser = webdriver.Chrome()
    browser.get(url=url)

    # 将滚动条移动到页面的底部
    js = "var q=document.documentElement.scrollTop=100000"
    browser.execute_script(js)
    time.sleep(5)

    #打印当前网页源码
    #print(browser.page_source)

    #获取当前网页标题
    title=browser.title
    title=title.replace(" - 阿里巴巴","")
    title= re.sub(r'[\|\/\<\>\:\*\?\\\"]', "_", title)
    print(title)

    os.makedirs(f"alibb/{title}/", exist_ok=True)

    #获取当前网页链接
    website=browser.current_url
    print(website)

    #创建txt文档并保存商品数据
    fname='spider'
    shopping='%s%s%s%s'%(website,":",title,'\n')
    with open(f"alibb/{fname}.txt",'a+',encoding='utf-8') as f:
      f.write(shopping)
    print(f"保存{title}链接成功!")

    imgs_urls = []
    imgb_urls = []
    for link in browser.find_elements_by_xpath("//*[@src]"):# 获取当前页面的src
      img_url=link.get_attribute('src')
      #获取宝贝首图图片链接
      if "60x60" in img_url:
            if "jpg" in img_url:
                imgs_url=img_url.replace("60x60.jpg","jpg")
            if "png" in img_url:
                imgs_url = img_url.replace("60x60.png", "png")
            print(imgs_url)
            imgs_urls.append(imgs_url)

      #获取宝贝详情图片链接
      if "https://cbu01.alicdn.com/img/" in img_url:
            if "search" not in img_url:
                if "140x140xz" not in img_url:
                  if "summ" not in img_url:
                        if "x" not in img_url:
                            print(img_url)
                            imgb_urls.append(img_url)

    #下载宝贝首图
    print(imgs_urls)
    x = 1
    for simgs in imgs_urls:
      if 'jpg' in simgs:
            imgs_name = f's{x}.jpg'
      if 'png' in simgs:
            imgs_name = f's{x}.png'
      rs = requests.get(simgs)
      with open(f"alibb/{title}/{imgs_name}", 'wb') as f:
            f.write(rs.content)
      x = x + 1
    print(f"下载宝贝首图成功!")

    #下载宝贝详情图
    print(imgb_urls)
    y = 1
    for bimgs in imgb_urls:
      if 'jpg' in bimgs:
            imgb_name = f'{y}.jpg'
      if 'png' in bimgs:
            imgb_name = f'{y}.png'
      rs = requests.get(bimgs)
      with open(f"alibb/{title}/{imgb_name}", 'wb') as f:
            f.write(rs.content)
      y = y + 1

    print(f"下载宝贝详情图成功!")


    time.sleep(2)
    browser.quit()


if __name__ == '__main__':
    f = open("阿里商品链接.txt","r")
    data = f.readlines()
    f.close()
    print(data)
    for url in data:
      url=url.replace('\n','')
      print(url)
      crawle(url)



f = open("阿里商品链接.txt","r")这里添加商品链接,文档为txt,一行一个链接!






发帖不易,有帮助的话,麻烦贵手给个热心,给个赞!
有问题欢迎交流!

hncnxh 发表于 2019-8-6 12:10

['https://detail.1688.com/offer/584940091979.html?spm=a2615.2177701.autotrace-offerGeneral.7.3c8679baOtvHUp\n']
https://detail.1688.com/offer/584940091979.html?spm=a2615.2177701.autotrace-offerGeneral.7.3c8679baOtvHUp
Traceback (most recent call last):
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\site-packages\selenium\webdriver\common\service.py", line 76, in start
    stdin=PIPE)
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\subprocess.py", line 756, in __init__
    restore_signals, start_new_session)
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\subprocess.py", line 1155, in _execute_child
    startupinfo)
FileNotFoundError: 系统找不到指定的文件。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "C:/py/ali.py", line 105, in <module>
    crawle(url)
File "C:/py/ali.py", line 11, in crawle
    browser = webdriver.Chrome()
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\site-packages\selenium\webdriver\chrome\webdriver.py", line 73, in __init__
    self.service.start()
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\site-packages\selenium\webdriver\common\service.py", line 83, in start
    os.path.basename(self.path), self.start_error_message)
selenium.common.exceptions.WebDriverException: Message: 'chromedriver' executable needs to be in PATH. Please see https://sites.google.com/a/chromium.org/chromedriver/home

楼主,我运行出错,这个怎么解决

zhangaiping1 发表于 2019-7-14 21:36

本帖最后由 zhangaiping1 于 2019-7-14 21:37 编辑

browser.get(url=url)

如果在采集的时候,阿里巴巴加载缓慢卡住了呢,可怎么办。

有没有办法在get这里加一个定时判断,比如说加载若干秒以后,如果还有元素没有加载完,就出一个判断,判断某个元素是否加载完。如果某个元素加载完了,就继续执行,如果没有加载完,则关掉所有的浏览器,重新执行

xsdong1 发表于 2019-7-13 17:15

python怎么玩,有教程吗

huguo002 发表于 2019-7-13 17:27

xsdong1 发表于 2019-7-13 17:15
python怎么玩,有教程吗

{:1_937:}随便玩呗,教程很多呢!

paike100 发表于 2019-7-13 17:35

这个是否可以应用在任何网站呢?能否根据分类进行采集

huguo002 发表于 2019-7-13 17:41

paike100 发表于 2019-7-13 17:35
这个是否可以应用在任何网站呢?能否根据分类进行采集

需要看网站结构及代码部署,通用这个不好说

sy727272 发表于 2019-7-13 18:17

huguo002 发表于 2019-7-13 18:20

sy727272 发表于 2019-7-13 18:17
大牛可否帮我写个脚本啊。类似这种的!

老哥要搞什么,我看看!

txlsmir 发表于 2019-7-13 20:07

教程很多,一搜一大把

sy727272 发表于 2019-7-13 21:07

页: [1] 2 3 4
查看完整版本: 阿里图片采集,python selenium 采集阿里巴巴商品图片数据