淘寶的頁面大量使用了js加載數據，所以采用selenium來進行爬取更為簡單，selenum作為一個測試工具，主要配合無窗口瀏覽器phantomjs來使用。

import refrom selenium import webdriverfrom selenium.common.exceptions import TimeoutExceptionfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECfrom pyquery import PyQuery as pq'''wait.until()語句是selenum里面的顯示等待，wait是一個WebDriverWait對象，它設置了等待時間，如果頁面在等待時間內沒有在 DOM中找到元素，將繼續等待，超出設定時間后則拋出找不到元素的異常,也可以說程序每隔xx秒看一眼，如果條件成立了，則執行下一步，否則繼續等待，直到超過設置的最長時間，然后拋出TimeoutException1.presence_of_element_located 元素加載出，傳入定位元組，如(By.ID, 'p')2.element_to_be_clickable 元素可點擊3.text_to_be_present_in_element 某個元素文本包含某文字'''# 定義一個無界面的瀏覽器browser = webdriver.PhantomJS( service_args=[  '--load-images=false',  '--disk-cache=true'])# 10s無響應就down掉wait = WebDriverWait(browser, 10)#雖然無界面但是必須要定義窗口browser.set_window_size(1400, 900)def search(): ''' 此函數的作用為完成首頁點擊搜索的功能，替換標簽可用于其他網頁使用 :return: ''' print('正在搜索') try:  #訪問頁面  browser.get('https://www.taobao.com')  # 選擇到淘寶首頁的輸入框  input = wait.until(   EC.presence_of_element_located((By.CSS_SELECTOR, '#q'))  )  #搜索的那個按鈕  submit = wait.until(EC.element_to_be_clickable(   (By.CSS_SELECTOR, '#J_TSearchForm > div.search-button > button')))  #send_key作為寫到input的內容  input.send_keys('面條')  #執行點擊搜索的操作  submit.click()  #查看到當前的頁碼一共是多少頁  total = wait.until(EC.presence_of_element_located(   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.total')))  #獲取所有的商品  get_products()  #返回總頁數  return total.text except TimeoutException:  return search()def next_page(page_number): ''' 翻頁函數， :param page_number: :return: ''' print('正在翻頁', page_number) try:  #這個是我們跳轉頁的輸入框  input = wait.until(EC.presence_of_element_located(   (By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div.form > input')))  #跳轉時的確定按鈕  submit = wait.until(   EC.element_to_be_clickable(    (By.CSS_SELECTOR,     '#mainsrp-pager > div > div > div > div.form > span.J_Submit')))  #清除里面的數字  input.clear()  #重新輸入數字  input.send_keys(page_number)  #選擇并點擊  submit.click()  #判斷當前頁是不是我們要現實的頁  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)))  #調用函數獲取商品信息  get_products() #捕捉超時，重新進入翻頁的函數 except TimeoutException:  next_page(page_number)def get_products(): ''' 搜到頁面信息在此函數在爬取我們需要的信息 :return: ''' #每一個商品標簽，這里是加載出來以后才會拿網頁源代碼 wait.until(EC.presence_of_element_located(  (By.CSS_SELECTOR, '#mainsrp-itemlist .items .item'))) #這里拿到的是整個網頁源代碼 html = browser.page_source #pq解析網頁源代碼 doc = pq(html) items = doc('#mainsrp-itemlist .items .item').items() for item in items:  # print(item)  product = {   'image': item.find('.pic .img').attr('src'),   'price': item.find('.price').text(),   'deal': item.find('.deal-cnt').text()[:-3],   'title': item.find('.title').text(),   'shop': item.find('.shop').text(),   'location': item.find('.location').text()  }  print(product)def main(): try:  #第一步搜索  total = search()  #int類型剛才找到的總頁數標簽，作為跳出循環的條件  total = int(re.compile('(/d+)').search(total).group(1))  #只要后面還有就繼續爬，繼續翻頁  for i in range(2, total + 1):   next_page(i) except Exception:  print('出錯啦') finally:  #關閉瀏覽器  browser.close()if __name__ == '__main__': main()