京东商品爬虫技术解析：基于Selenium的自动化数据采集实战

一、代码概述

本代码实现了一个京东商品数据自动化爬虫系统，核心功能包括 Cookie免密登录、页面动态加载处理、多页数据采集 和 Excel数据存储。代码基于Python生态，主要依赖以下技术栈：

二、核心功能模块解析

1. Cookie管理机制

def is_exists_cookies():
    cookie_file = './data/jd_cookies.txt'
    if os.path.exists(cookie_file):
        # 加载本地Cookie
        web.get(jd_domain)
        with open(cookie_file, 'r') as file:
            cookies = json.load(file)
            for cookie in cookies:
                web.add_cookie(cookie)
    else:
        # 首次登录保存Cookie
        web.get(jd_login_url)
        time.sleep(30)  # 手动登录时间窗口
        dictcookies = web.get_cookies()
        jsoncookies = json.dumps(dictcookies)
        with open(cookie_file, 'w') as f:
            f.write(jsoncookies)

技术亮点：

• 通过os.path.exists检测本地Cookie文件，实现免重复登录

• add_cookie()方法将Cookie注入浏览器会话

• JSON格式持久化存储登录凭证

2. 页面动态加载控制

def slide(web):
    height = 0
    new_height = web.execute_script("return document.body.scrollHeight")
    while height < new_height:
        for i in range(height, new_height, 400):
            web.execute_script(f'window.scrollTo(0, {i})')
            time.sleep(0.5)
        height = new_height
        new_height = web.execute_script(...)

实现原理：

• 通过JavaScript脚本获取页面总高度

• 分步滚动（每次400像素）模拟人工浏览

• 循环检测直至滚动到底部

3. 商品数据解析

def get_product(web):
    et = etree.HTML(web.page_source)
    obj_list = et.xpath('//div[@class="gl-i-wrap"]')
    
    for item in obj_list:
        title = ''.join(item.xpath('./div[@class="p-name"]//text()')).strip()
        price = item.xpath('./div[@class="p-price"]//i/text()')[0]
        shop = item.xpath('./div[@class="p-shop"]//a/text()')[0]
        sales = item.xpath('./div[@class="p-commit"]//text()')[0]
        img = item.xpath('./div[@class="p-img"]//img/@src')[0]

XPath定位策略：

• 商品列表容器：//div[@class="gl-i-wrap"]

• 价格字段：./div[@class="p-price"]//i/text()

• 销量数据：./div[@class="p-commit"]//text()

4. 多页爬取逻辑

def get_more(web, page):
    for i in range(page):
        button = web.find_element(By.XPATH, '//*[@id="J_bottomPage"]//a[9]')
        web.execute_script("arguments[0].click();", button)
        time.sleep(5)
        get_product(web)

翻页机制：

• 定位页码按钮（第9个a标签为下一页）

• 通过execute_script执行点击操作

• 固定等待5秒确保页面加载

5. 数据存储模块

data = {
    "标题": titless, 
    "价格": prices,
    "店铺": shop_names,
    "销量": saleses,
    "图片": urls
}
pd.DataFrame(data).to_excel('./data/手机销售.xlsx', index=False)

Pandas技巧：

• 字典直接转换为DataFrame

• index=False取消默认索引列

• 支持中文字段存储

三、技术优化建议

1. 增强反爬对抗能力

# 建议新增以下配置
op.add_argument("--disable-blink-features=AutomationControlled")
op.add_argument(f"user-agent={random.choice(USER_AGENTS)}")  # 随机UA
op.add_argument("--proxy-server=http://127.0.0.1:10809")     # 代理IP

2. 改进页面等待机制

from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

# 替换time.sleep为显式等待
wait = WebDriverWait(web, 10)
element = wait.until(EC.presence_of_element_located((By.ID, "J_goodsList")))

3. 增加异常处理

try:
    price = item.xpath('./div[@class="p-price"]//i/text()')[0]
except IndexError:
    price = "暂无报价"

4. 提升代码可配置性

# 添加配置文件config.py
KEYWORDS = "vivo x100s" 
MAX_PAGE = 10
SAVE_PATH = "./data/"

四、潜在问题与解决方案

五、项目扩展方向

1. 分布式爬虫架构：结合Scrapy-Redis实现多节点协同

2. 价格监控系统：定时任务+邮件报警功能

3. 可视化看板：通过Matplotlib生成销量趋势图

4. API服务化：使用FastAPI暴露数据接口

关注博主，获取更多Python爬虫实战技巧！