python Seleniumスクレイピングで京東の検索ページ情報を取得する

python Selenium スクレイピングで京東の検索ページ情報を取得する#

1. Selenium フレームワークとは何ですか？#

Selenium は、Web アプリケーションのテストに使用されるツールです。実際のユーザーが操作しているかのように、ブラウザで直接実行されます。
サポートされているブラウザには、IE、Firefox、Safari、Google Chrome、Opera などがあり、さまざまなプラットフォームをカバーしています。
自動化テスト、JavaScript の動的なスクレイピングをサポートしています。

2. 環境の設定#

ここでは、Firefox ブラウザのドライバーである geckodriver を使用しています。Google Chrome を使用している場合は、chromedriver を使用する必要があります。

ダウンロードリンク：geckodriver

注意：ここでのブラウザドライバーのバージョンは、ブラウザのバージョンと対応している必要があります。最新バージョンのドライバーをダウンロードし、ブラウザを最新バージョンに更新することをお勧めします。

ここでは、geckodriver-v0.29.1-win64.zip1.44 MB をダウンロードしました。

解凍するとgeckodriver.exeファイルが得られます。この実行可能ファイルを Python のインストールディレクトリのScriptsフォルダに追加します。Anaconda を使用している場合は、Anaconda3のScriptsフォルダに追加する必要があります。

cmd でgeckodriverと入力すると、次のような出力が得られます。

(crawler) C:\Users\HP>geckodriver 1630680105974 geckodriver INFO Listening on 127.0.0.1:4444

このような形式が表示されれば、インストールが成功しています。

Seleniumライブラリをダウンロードし、Python で最も一般的に使用されるコマンドpip install Seleniumを使用して Selenium フレームワークをインストールします。

3. コードの記述#

3.1 関連するライブラリのインポート#

# ライブラリのインポート
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

3.2 ブラウザの操作をシミュレート#

# ブラウザで京東のページにアクセスし、スクレイピングのための対策を行う
def spider(url, keyword):
    # ブラウザの初期化
    driver = webdriver.Firefox()
    # ウェブサイトにアクセス
    driver.get(url)
    # time.sleep(2) # 20
    try:
        driver.implicitly_wait(10)  # ノードが完全に読み込まれるまで待機する（感知できない）

        # 検索
        # 検索ボックスを特定する
        input_tag = driver.find_element_by_id('key')
        # キーワードを入力する
        input_tag.send_keys(keyword)
        # Enterキーを押して検索する
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        pass
        # time.sleep(10)
        # # ブラウザを閉じる（常に実行される）
        # driver.close()

3.3 必要なデータを取得する#

# 商品データの特定
def get_goods(driver):
    try:
        # 各商品を特定する
        goods = driver.find_elements_by_class_name('gl-item')
        # 商品名、リンク、価格、コメント
        for good in goods:
            p_name = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
            detail_url = good.find_element_by_tag_name('a').get_attribute('href')
            price = good.find_element_by_css_selector('.p-price i').text
            p_commit = good.find_element_by_css_selector('.p-commit a').text
            msg = """
            商品名：%s
            リンク：%s
            価格：%s
            コメント：%s
            """ % (p_name, detail_url, price, p_commit)
            print(msg)
            # with open("")
    # 大量のデータ
        # 次のページに移動する
        button = driver.find_element_by_partial_link_text('下一页')
        # クリック操作をシミュレートする
        button.click()
        time.sleep(2)
        get_goods(driver)

    except Exception as e:
        print(e)

3.4 プログラムのエントリーポイント#

if __name__ == '__main__':
    spider('https://www.jd.com/', keyword='jk')

ここで、URL を入力し、keyword に検索キーワードを入力します。

4. 完全なコード#

# 環境の設定
"""
ブラウザドライバー geckodriver
1630635571195   geckodriver     INFO    Listening on 127.0.0.1:4444
"""

# ライブラリのインポート
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import time


# ブラウザで京東のページにアクセスし、スクレイピングのための対策を行う
def spider(url, keyword):
    # ブラウザの初期化
    driver = webdriver.Firefox()
    # ウェブサイトにアクセス
    driver.get(url)
    # time.sleep(2) # 20
    try:
        driver.implicitly_wait(10)  # ノードが完全に読み込まれるまで待機する（感知できない）

        # 検索
        # 検索ボックスを特定する
        input_tag = driver.find_element_by_id('key')
        # キーワードを入力する
        input_tag.send_keys(keyword)
        # Enterキーを押して検索する
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        pass
        # time.sleep(10)
        # # ブラウザを閉じる（常に実行される）
        # driver.close()


# 商品データの特定
def get_goods(driver):
    try:
        # 各商品を特定する
        goods = driver.find_elements_by_class_name('gl-item')
        # 商品名、リンク、価格、コメント
        for good in goods:
            p_name = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
            detail_url = good.find_element_by_tag_name('a').get_attribute('href')
            price = good.find_element_by_css_selector('.p-price i').text
            p_commit = good.find_element_by_css_selector('.p-commit a').text
            msg = """
            商品名：%s
            リンク：%s
            価格：%s
            コメント：%s
            """ % (p_name, detail_url, price, p_commit)
            print(msg)
            # with open("")
    # 大量のデータ
        # 次のページに移動する
        button = driver.find_element_by_partial_link_text('下一页')
        # クリック操作をシミュレートする
        button.click()
        time.sleep(2)
        get_goods(driver)

    except Exception as e:
        print(e)


if __name__ == '__main__':
    spider('https://www.jd.com/', keyword='jk')