python網路爬蟲 Scrapy中selenium用法詳解
阿新 • • 發佈:2020-01-09
引入
在通過scrapy框架進行某些網站資料爬取的時候,往往會碰到頁面動態資料載入的情況發生,如果直接使用scrapy對其url發請求,是絕對獲取不到那部分動態加載出來的資料值。但是通過觀察我們會發現,通過瀏覽器進行url請求傳送則會加載出對應的動態加載出的資料。那麼如果我們想要在scrapy也獲取動態加載出的資料,則必須使用selenium建立瀏覽器物件,然後通過該瀏覽器物件進行請求傳送,獲取動態載入的資料值。
1.案例分析:
- 需求:爬取網易新聞的國內、國際、軍事、無人機板塊下的新聞資料
- 需求分析:當點選國內超鏈進入國內對應的頁面時,會發現當前頁面展示的新聞資料是被動態加載出來的,如果直接通過程式對url進行請求,是獲取不到動態加載出的新聞資料的。則需要我們使用selenium例項化一個瀏覽器物件,在該物件中進行url的請求,獲取動態載入的新聞資料。
2.selenium在scrapy中使用的原理分析:
當引擎將國內板塊url對應的請求提交給下載器後,下載器進行網頁資料的下載,然後將下載到的頁面資料,封裝到response中,提交給引擎,引擎將response再轉交給Spiders。Spiders接受到的response物件中儲存的頁面資料裡是沒有動態載入的新聞資料的。要想獲取動態載入的新聞資料,則需要在下載中介軟體中對下載器提交給引擎的response響應物件進行攔截,切對其內部儲存的頁面資料進行篡改,修改成攜帶了動態加載出的新聞資料,然後將被篡改的response物件最終交給Spiders進行解析操作。
3.selenium在scrapy中的使用流程:
- 重寫爬蟲檔案的構造方法,在該方法中使用selenium例項化一個瀏覽器物件(因為瀏覽器物件只需要被例項化一次)
- 重寫爬蟲檔案的closed(self,spider)方法,在其內部關閉瀏覽器物件。該方法是在爬蟲結束時被呼叫
- 重寫下載中介軟體的process_response方法,讓該方法對響應物件進行攔截,並篡改response中儲存的頁面資料
- 在配置檔案中開啟下載中介軟體
4.例項:
# 1.spider檔案 import scrapy from wangyiPro.items import WangyiproItem from selenium import webdriver class WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.con'] start_urls = ['https://news.163.com/'] # 瀏覽器例項化的操作只會被執行一次 bro = webdriver.Chrome(executable_path='chromedriver.exe') urls = []# 最終存放的就是5個板塊對應的url def parse(self,response): li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li') for index in [3,4,6,7,8]: li = li_list[index] new_url = li.xpath('./a/@herf').extract_first() self.urls.append(new_url) # 對5大板塊對應的url進行請求傳送 yield scrapy.Request(url=new_url,callback=self.parse_news) # 用來解析每一個板塊對應的新聞資料【只能解析到新聞的標題】 def parse_news(self,response): div_list = response.xpath('//div[@class="ndi_main"]/div') for div in div_list: title = div.xpath('./div/div[1]/h3/a/text()').extract_first() news_detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first() # 例項化item物件,將解析到的標題和內容儲存到item物件中 item = WangyiproItem() item['title'] = title # 對詳情頁的url進行手動請求傳送獲得新聞內容 yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta={'item':item}) def parse_detail(self,response): item = response.meta['item'] # 通過response解析出新聞內容 content = response.xpath('//div[@id="endText"]//text()').extract() content = ''.join(content) item['content'] = content yield item def close(self,spider): # 當爬蟲結束之後,呼叫關閉瀏覽器方法 print('爬蟲整體結束~~~~~~~~~~~~~~~~~~~') self.bro.quit() ---------------------------------------------------------------------------------------- # 2.items檔案 import scrapy class WangyiproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() content = scrapy.Field() ---------------------------------------------------------------------------------------- # 3.middlewares檔案 from scrapy import signals from scrapy.http import HtmlResponse from time import sleep class WangyiproDownloaderMiddleware(object): def process_request(self,request,spider): return None def process_response(self,response,spider): # 判斷哪些響應物件是5個板塊的,如果在就對響應物件進行處理 if response.url in spider.urls: # 獲取在爬蟲類中定義好的瀏覽器 bro = spider.bro bro.get(response.url) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) # 獲取攜帶了新聞資料的頁面原始碼資料 page_text = bro.page_source # 例項化一個新的響應物件 new_response = HtmlResponse(url=response.url,body=page_text,encoding='utf-8',request=request) return new_response else: return response def process_exception(self,exception,spider): pass ---------------------------------------------------------------------------------------- # 4.pipelines檔案 class WangyiproPipeline(object): def process_item(self,item,spider): print(item) return item ---------------------------------------------------------------------------------------- # 5.setting檔案 BOT_NAME = 'wangyiPro' SPIDER_MODULES = ['wangyiPro.spiders'] NEWSPIDER_MODULE = 'wangyiPro.spiders' USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False DOWNLOADER_MIDDLEWARES = { 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,} ITEM_PIPELINES = { 'wangyiPro.pipelines.WangyiproPipeline': 300,} LOG_LEVEL = 'ERROR'
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。