scrapy 結合selenium
阿新 • • 發佈:2021-10-17
結合selenium
原理: scrapy框架只能爬取靜態網站。如需爬取動態網站,需要結合著selenium進行js的渲染,才能獲取到動態載入的資料。 如何通過selenium請求url,而不再通過下載器Downloader去請求這個url? 方法: 在request物件通過中介軟體的時候,在中介軟體內部開始使用selenium去請求url,並且會得到url對應的原始碼, 然後再將原始碼通過response物件返回,直接交給process_response()進行處理,再交給引擎。 過程中相當於後續中介軟體的process_request()以及Downloader都跳過了。 確保python環境中有phantomJS(無頭瀏覽器)??? 如果操作: 對於selenium的主要操作是下載中介軟體部分: Middleware -- ScrapyDemo1DownloaderMiddleware -- def process_request() from scrapy import signals from selenium import webdriver from selenium.webdriver import FirefoxOptions from scrapy.http import HtmlResponse, Response import time *********************下面是相應是自定義的下載中介軟體的替換程式碼************************** class SeleniumTaobaoDownloaderMiddleware(object): # 將driver建立在中介軟體的初始化方法中,適合專案中只有一個爬蟲。 # 爬蟲專案中有多個爬蟲檔案的話,將driver物件的建立放在每一個爬蟲檔案中。 # def __init__(self): # # 在scrapy中建立driver物件,儘可能少的建立該物件。 # # 1. 在初始化方法中建立driver物件; # # 2. 在open_spider中建立deriver物件; # # 3. 不要將driver物件的建立放在process_request(); # option = FirefoxOptions() # option.headless = True # self.driver = webdriver.Firefox(options=option) # 引數spider就是TaobaoSpider()類的物件 def process_request(self, request, spider): if spider.name == "taobao": spider.driver.get(request.url) # 由於淘寶的頁面資料載入需要進行滾動,但並不是所有js動態資料都需要滾動。 for x in range(1, 11, 2): height = float(x) / 10 js = "document.documentElement.scrollTop = document.documentElement.scrollHeight * %f" % height spider.driver.execute_script(js) time.sleep(0.2) origin_code = spider.driver.page_source # 將原始碼構造成為一個Response物件,並返回。 res = HtmlResponse(url=request.url, encoding='utf8', body=origin_code, request=request) # res = Response(url=request.url, body=bytes(origin_code), request=request) return res if spider.name == 'bole': request.cookies = {} request.headers.setDefault('User-Agent','') return None def process_response(self, request, response, spider): print(response.url, response.status) return response 爬蟲部分: import scrapy from selenium import webdriver from selenium.webdriver import FirefoxOptions class TaobaoSpider(scrapy.Spider): """ scrapy框架只能爬取靜態網站。如需爬取動態網站,需要結合著selenium進行js的渲染,才能獲取到動態載入的資料。 如何通過selenium請求url,而不再通過下載器Downloader去請求這個url? 方法:在request物件通過中介軟體的時候,在中介軟體內部開始使用selenium去請求url,並且會得到url對應的原始碼,然後再將原始碼通過response物件返回,直接交給process_response()進行處理,再交給引擎。過程中相當於後續中介軟體的process_request()以及Downloader都跳過了。 """ name = 'taobao' allowed_domains = ['taobao.com'] start_urls = ['https://s.taobao.com/search?q=%E7%AC%94%E8%AE%B0%E6%9C%AC%E7%94%B5%E8%84%91&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306'] def __init__(self): # 在初始化淘寶物件時,建立driver super(TaobaoSpider, self).__init__(name='taobao') option = FirefoxOptions() option.headless = True self.driver = webdriver.Firefox(options=option) def parse(self, response): """ 提取列表頁的商品標題和價格 :param response: :return: """ info_divs = response.xpath('//div[@class="info-cont"]') print(len(info_divs)) for div in info_divs: title = div.xpath('.//a[@class="product-title"]/@title').extract_first('') price = div.xpath('.//span[contains(@class, "g_price")]/strong/text()').extract_first('') print(title, price) setting檔案 把自定義的中介軟體開啟, 注意: 關於程式碼中提到的初始化driver的位置有以下兩種情況: 1、只存在一個爬蟲檔案的話,driver初始化函式可以定義在middlewares.py的自定義中介軟體中(如上述程式碼註釋初始化部分) 也可以在爬蟲檔案中自定義(如上述程式碼在爬蟲檔案中初始化)。 注意:如果只有一個爬蟲檔案就不需要在自定義的process_requsests中判斷是哪一個爬蟲專案然後分別請求! 2、如果存在兩個或兩個以上爬蟲檔案的時候, 需要將driver的初始化函式定義在各自的爬蟲專案檔案下(如上述程式碼),同時需要在process_requsests判斷是那個爬蟲專案的請求!! 這一點很重要 並且要注意初始化專案的名稱!! super(TaobaoSpider, self).__init__(name='taobao') def __init__(self): # 在初始化淘寶物件時,建立driver super(TaobaoSpider, self).__init__(name='taobao') option = FirefoxOptions() option.headless = True self.driver = webdriver.Firefox(options=option) # 整個爬蟲結束後關閉瀏覽器 def close(self,spider): self.browser.quit() 2 使用流程 1 重寫爬蟲檔案的__init__()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). 2 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. 3 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. 4 在settings配置檔案中開啟下載中介軟體 還可以再下載中介軟體處理異常: # 請求出錯了的操作, 比如ip被封了,可以在這裡設定ip代理 def process_exception(self, request, exception, spider): print("新增代理開始") ret_proxy = get_proxy() request.meta["proxy"] = ret_proxy print("為%s新增代理%s" %(request.url,ret_proxy), end="") return None 還可以再下載中介軟體處理響應: def process_response(self, request, response, spider): """ 三個引數: # request: 響應物件所對應的請求物件 # response: 攔截到的響應物件 # spider: 爬蟲檔案中對應的爬蟲類 WangyiSpider 的例項物件, 可以通過這個引數拿到 WangyiSpider 中的一些屬性或方法 """ # 對頁面響應體資料的篡改, 如果是每個模組的 url 請求, 則處理完資料並進行封裝 if request.url in ["http://news.163.com/domestic/","http://war.163.com/","http://news.163.com/world/","http://news.163.com/air/"]: spider.browser.get(url=request.url) # more_btn = spider.browser.find_element_by_class_name("post_addmore") # 更多按鈕 # print(more_btn) js = "window.scrollTo(0,document.body.scrollHeight)" spider.browser.execute_script(js) # if more_btn and request.url == "http://news.163.com/domestic/": # more_btn.click() time.sleep(1) # 等待載入, 可以用顯示等待來優化. row_response= spider.browser.page_source return HtmlResponse(url=spider.browser.current_url,body=row_response,encoding="utf8",request=request) # 引數url指當前瀏覽器訪問的url(通過current_url方法獲取), 在這裡引數url也可以用request.url # 引數body指要封裝成符合HTTP協議的源資料, 後兩個引數可有可無 else: return response # 是原來的主頁的響應物件 ps 看起來selenium的渲染處理,放在request和response都是可以的,但是我還是傾向於request,好理解, 還可以在中介軟體增加請求頭, # 可以攔截到request請求 def process_request(self, request, spider): # 在進行url訪問之前可以進行的操作, 更換UA請求頭, 使用其他代理等 pass from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware user_agent_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 " "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 " "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 " "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 " "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 " "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 " "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 " "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 " "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 " "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" ] class RandomUserAgent(UserAgentMiddleware): # 如何執行此中介軟體? settings 直接新增就OK def process_request(self, request, spider): ua = random.choice(user_agent_list) # 在請求頭裡設定ua request.headers.setdefault("User-Agent",ua) settings配置檔案中: DOWNLOADER_MIDDLEWARES = { 'WangYiPro.middlewares.WangyiproDownloaderMiddleware': 543, 'WangYiPro.middlewares.RandomUserAgent': 542, }