scrapy爬蟲框架和selenium的配合使用
阿新 • • 發佈：2019-03-10
linux 觸發事件 pos ... 進行 系統 技術分享 6.0 觀察
scrapy框架的請求流程
scrapy框架?
Scrapy 是基於twisted框架開發而來，twisted是一個流行的事件驅動的python網絡框架。因此Scrapy使用了一種非阻塞（又名異步）的代碼來實現並發。
1、引擎(EGINE) 引擎負責控制系統所有組件之間的數據流，並在某些動作發生時觸發事件。有關詳細信息，請參見上面的數據流部分。 2、調度器(SCHEDULER) 用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL的優先級隊列, 由它來決定下一個要抓取的網址是什麽, 同時去除重復的網址 3、下載器(DOWLOADER) 用於下載網頁內容, 並將網頁內容返回給EGINE，下載器是建立在twisted這個高效的異步模型上的4、爬蟲(SPIDERS) SPIDERS是開發人員自定義的類，用來解析responses，並且提取items，或者發送新的請求 5、項目管道(ITEM PIPLINES) 在items被提取後負責處理它們，主要包括清理、驗證、持久化（比如存到數據庫）等操作 下載器中間件(Downloader Middlewares)位於Scrapy引擎和下載器之間，主要用來處理從EGINE傳到DOWLOADER的請求request，已經從DOWNLOADER傳到EGINE的響應response， 6、爬蟲中間件(Spider Middlewares) 位於EGINE和SPIDERS之間，主要工作是處理SPIDERS的輸入（即responses）和輸出（即requests）
安裝和創建: https://www.cnblogs.com/pyedu/p/10314215.html
scrapy框架+selenium的使用
1 使用情景:
在通過scrapy框架進行某些網站數據爬取的時候，往往會碰到頁面動態數據加載的情況發生，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數據值。但是通過觀察我們會發現，通過瀏覽器進行url請求發送則會加載出對應的動態加載出的數據。那麽如果我們想要在scrapy也獲取動態加載出的數據，則必須使用selenium創建瀏覽器對象，然後通過該瀏覽器對象進行請求發送，獲取動態加載的數據值
2 使用流程
1 重寫爬蟲文件的__init__()構造方法，在該方法中使用selenium實例化一個瀏覽器對象（因為瀏覽器對象只需要被實例化一次）.
2 重寫爬蟲文件的closed(self,spider)方法，在其內部關閉瀏覽器對象,該方法是在爬蟲結束時被調用.
3 重寫下載中間件的process_response方法，讓該方法對響應對象進行攔截，並篡改response中存儲的頁面數據.
4 在settings配置文件中開啟下載中間件
3 使用案例: 爬取XXX網站新聞的部分板塊內容
爬蟲文件:
from selenium import webdriver from selenium.webdriver.chrome.options import Options # 使用無頭瀏覽器 無頭瀏覽器設置 chorme_options = Options() chorme_options.add_argument("--headless") chorme_options.add_argument("--disable-gpu") class WangyiSpider(scrapy.Spider): name = ‘wangyi‘ # allowed_domains = [‘wangyi.com‘] # 允許爬取的域名 start_urls = [‘https://news.163.com/‘] # 實例化一個瀏覽器對象 def __init__(self): self.browser = webdriver.Chrome(chrome_options=chorme_options) super().__init__() def start_requests(self): url = "https://news.163.com/" response = scrapy.Request(url,callback=self.parse_index) yield response # 整個爬蟲結束後關閉瀏覽器 def close(self,spider): self.browser.quit() # 訪問主頁的url, 拿到對應板塊的response def parse_index(self, response): div_list = response.xpath("//div[@class=‘ns_area list‘]/ul/li/a/@href").extract() index_list = [3,4,6,7] for index in index_list: response = scrapy.Request(div_list[index],callback=self.parse_detail) yield response # 對每一個板塊進行詳細訪問並解析, 獲取板塊內的每條新聞的url def parse_detail(self,response): div_res = response.xpath("//div[@class=‘data_row news_article clearfix ‘]") # print(len(div_res)) title = div_res.xpath(".//div[@class=‘news_title‘]/h3/a/text()").extract_first() pic_url = div_res.xpath("./a/img/@src").extract_first() detail_url = div_res.xpath("//div[@class=‘news_title‘]/h3/a/@href").extract_first() infos = div_res.xpath(".//div[@class=‘news_tag//text()‘]").extract() info_list = [] for info in infos: info = info.strip() info_list.append(info) info_str = "".join(info_list) item = WangyiproItem() item["title"] = title item["detail_url"] = detail_url item["pic_url"] = pic_url item["info_str"] = info_str yield scrapy.Request(url=detail_url,callback=self.parse_content,meta={"item":item}) # 通過 參數meta 可以將item參數傳遞進 callback回調函數,再由 response.meta[...]取出來 # 對每條新聞的url進行訪問, 並解析 def parse_content(self,response): item = response.meta["item"] # 獲取從response回調函數由meta傳過來的 item 值 content_list = response.xpath("//div[@class=‘post_text‘]/p/text()").extract() content = "".join(content_list) item["content"] = content yield item
下載中間件中篡改響應數據
需要導入 HtmlResponse類, 這個類是用來將響應數據包裝成符合HTTP協議形式.
from scrapy.http import HtmlResponse
class WangyiproDownloaderMiddleware(object): # 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 # 可以攔截到response響應對象(攔截下載器傳遞給Spider的響應對象) def process_response(self, request, response, spider): """ 三個參數: # request: 響應對象所對應的請求對象 # response: 攔截到的響應對象 # spider: 爬蟲文件中對應的爬蟲類 WangyiSpider 的實例對象, 可以通過這個參數拿到 WangyiSpider 中的一些屬性或方法 """ # 對頁面響應體數據的篡改, 如果是每個模塊的 url 請求, 則處理完數據並進行封裝 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) # 等待加載, 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) # 參數url指當前瀏覽器訪問的url(通過current_url方法獲取), 在這裏參數url也可以用request.url # 參數body指要封裝成符合HTTP協議的源數據, 後兩個參數可有可無 else: return response # 是原來的主頁的響應對象 # 請求出錯了的操作, 比如ip被封了,可以在這裏設置ip代理 def process_exception(self, request, exception, spider): print("添加代理開始") ret_proxy = get_proxy() request.meta["proxy"] = ret_proxy print("為%s添加代理%s" %(request.url,ret_proxy), end="") return None # 其他方法無需動
中間件文件裏設置UA池:
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): # 如何運行此中間件? settings 直接添加就OK def process_request(self, request, spider): ua = random.choice(user_agent_list) # 在請求頭裏設置ua request.headers.setdefault("User-Agent",ua)
settings配置文件中:
DOWNLOADER_MIDDLEWARES = { ‘WangYiPro.middlewares.WangyiproDownloaderMiddleware‘: 543, ‘WangYiPro.middlewares.RandomUserAgent‘: 542, }
scrapy爬蟲框架和selenium的配合使用