本文以Chrome为例来讲解Selenium的用法。在开始之前，请确保已经正确安装好了Chrome浏览器并配置好了ChromeDriver；另外，还需要正确安装Python的Selenium库。

首先，我们来打开淘宝的接口，观察一下它的ajax请求。 打开淘宝页面，搜索商品，比如ipad，此时打开开发者工具，查看Ajax请求，我们可以发现，根本没有Ajax请求，如图 不过没有关系，我们可以直接用Selenium来模拟浏览器，只要在浏览器里能看到的，都可以爬取。这也是我们选择使用Selenium的原因。

我们的目标是爬取商品信息。如图是一个商品条目，其中包含商品的基本信息，包括商品图片、名称、价格、购买人数、店铺名称和店铺所在地，我们要做的就是将这些信息都抓取下来。 抓取入口就是淘宝的搜索页面，这个链接可以通过直接构造参数访问。例如，如果搜ipad，就可以直接访问https://s.taobao.com/search?q=ipad，呈现的就是第一页的搜索结果，如图所示 在页面下方，有一个分页导航，其中既包括前5页的链接，也包括下一个的链接，同时还有一个输入任意页码跳转的链接，如图 这里商品搜索的结果一般最大都是100页，要获取每一页的内容，只需要将页码从1到100顺序遍历即可，页码数是确定的。所以，直接在页面跳转文本框中输入要跳转的页码，然后点击“确定”按钮即可跳转到页码对应的页面。 这里不直接点击“下一页”的原因是：一旦爬取过程中出现异常退出，比如到50页退出了，此时点击“下一页”时，就无法快速切换到对应的后续页面了。此外，在爬取过程中，也需要记录当前的页码数，而且点击“下一页”之后页面加载失败，还需要做异常检测，检测当前页面是加载到了第几页。整个流程比较复杂，所以我们这里直接用跳转的方式来爬取页面。 当我们成功的加载出某一页商品列表时，利用Selenium即可获取页面源代码，然后再用相应的解析库解析即可。这里我们选用pyquery解析。下面我们用代码实现整个抓取过程。

首先，需要构造一个抓取的URL：https://s.taobao.com/search?q=ipad。这个URL非常简洁，参数q就是要搜索的关键字。只要改变这个参数，即可获取不同的商品列表。这里我们将商品的关键字定义成一个变量，然后构造出这样的一个URL。 然后就需要用Selenium进行抓取了。我们实现了如下抓取列表页的方法：

这里首先构造了一个WebDriver对象，使用的浏览器是Chrome，然后指定一个关键词，如ipad，接着定义了index_age()方法，用于抓取商品列表页。 在该方法里，我们首先访问了搜索商品的链接，然后判断了当前的页码，如果大于1，就进行跳页操作，否则等待页面加载完成。 等待加载时，我们使用了WebDriverWait对象，它可以指定等待条件，同时指定一个最长等待时间，这里指定为10s。如果在这个时间内成功匹配了等待条件，也就是说页面元素成功加载出来了，就立即返回相应结果并继续向下执行，否则到了最大等待时间还没有加载出来时，就直接抛出超时异常。 比如，我们最终要等待商品信息加载出来，就指定了presnece_of_element_located这个条件，然后传入了.m-itemlist .items .item这个选择器，而这个选择器对应的页面内容就是每个商品的信息块，可以在网页中查看。如果加载成功，就会执行后续的get_products()方法，提取商品信息。 关于翻页操作，这里首先获取页码输入框，赋值为input，然后获取“确定”按钮，赋值为submit，分别是图中的两个元素。 首先，我们清空了输入框，此时调用clear（）方法即可。随后，调用send_keys()方法将页码填充到输入框中，然后点击“确定按钮即可” 那么，怎么样知道有没有跳转到对应的页码呢？我们可以注意到，成功跳转到某一页后，页码都会高亮显示，如图 我们只需要判断当前高亮的页码数是当前的页码数即可，所以这里使用了另一个等待条件text_to_be_present_in_element，它会等待指定的文本出现在某一个节点里面时即返回成功。这里我们将高亮的页码节点对应的CSS选择器和当前要跳转的页码通过参数传递给这个等待条件，这样它就会检测当前高亮的页码节点是不是我们传过来的页码数，如果是，就证明页面成功跳转到了这一页，页面跳转成功。 这样刚才实现的index_page()方法就可以传入对应的页码，待加载出对应页码的商品列表后，再去调用get_products()方法进行页面解析。

接下来，我们就可以实现get_products()方法来解析商品列表了。这里我们直接获取页面源代码，然后用pyquery进行解析，实现如下：

首先，调用page_source属性获取页码的源代码，然后构造了PyQuery对象，提取了商品列表，此时使用的CSS选择器是#mainsrp-itemlist .items .item，它会匹配整个页面的每个商品。它的匹配结果是多个，所以这里我们又对它进行了一次遍历，用for循环将每个结果分别进行解析，每次循环把它赋值为item变量，每个item变量都是一个PyQuery对象，然后再调用它的find()方法，传入CSS选择器，就可以获取单个商品的特定内容。 比如查看一下商品源码 可以发现，它是一个img节点，包含id、class、data-src、alt和src属性，这里之所以可以看到这样图片，是因为它的src属性被赋值为图片的URL。把它的src属性提取出来，就可以获取商品的完整图片了。不过我们还注意data-src属性，它的图片内容也是图片的URL，观察后发现此URL是图片的完整大图，而src是压缩后的小图，所以这里抓取data-src属性来作为商品的图片。 因此，我们需要先利用find()方法找到图片的这个节点，然后再调用attr()方法获取商品的data-src属性，这样就成功提取了商品的链接。然后用同样的方法提取商品的价格、成交量、名称、店铺所在地等信息，接着将所有提取结果赋值为一个字典product，然后调用save_mongo()将其保存到MongoDB即可。

接下来，我们将商品信息保存到MongoDB，代码如下：

这里首先创建了一个MongoDB的连接对象，然后指定了数据库，随后指定了Collection的名称，接着调用insert()方法将数据库插入到MongoDB。此处的result的变量就是在get_products()方法里传来的product，包含单个商品的信息。

刚才我们所定义的get_index()方法需要接收参数page，page代码页码。这里我们实现页码遍历即可，代码如下：

最后调用main()方法即可运行。

当写到这里，如果运行程序会发现，程序在弹出浏览器窗口后，会出现登陆页面，但是当你尝试输入账户密码时，滑块的验证始终失效。并且页面还会不断刷新。如图 针对这种情况，博主找到了两种解决方案

之所以出现这种情况，是因为在淘宝的登录页面，有这样一个js，它会判断你是通过驱动打开的浏览器还是其他情况，如果是驱动打开那么这个判断为真就会出现这种情况，如图，为判断的js 我们在控制台运行一下这个脚本window.navigator.webdriver 可以看到，判断为真，说明浏览器知道我们使用的是驱动。 那该如何解决呢？ 首先，使用nodepad++或者记事本打开chrome，查找$cdc，找到这串代码后，将其用等长的字符串替代即可，例如把最后的l改成a。 然后把部分代码改为如下模式，将浏览器设置为开发者模式：

如果这种方法不能奏效，请看第二种方法

首先，在Chrome中输入chrome://version/查看信息。如图，这是我们用户信息。 然后在代码中，加载浏览器配置

这样在爬取时就不会出现登录页面了。

此时运行代码，会发现弹出一个Chrome浏览器，然后会访问淘宝页面，接着控制台输出如下 可以发现，这些商品信息的结果都是字典形式，它们倍存储到MongoDB里面，再看一下MongoDB中的结果 说明信息保存到MongoDB中，爬取成功。

最后给出本文的代码地址：https://github.com/jiangwenvae/Spider/blob/main/spider/taobaoSleninum.py