正文

15，scrapy中selenium的应用

IP云
IP云V管理员/4 阅读
11/29
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

引入

在通过scrapy框架进行某些网站数据爬取的时候，往往会碰到页面动态数据加载的情况发生如果直接用scrapy对其url发请求，是获取不到那部分动态加载出来的数据值，但是通过观察会发现，通过浏览器进行url请求发送则会加载出对应的动态加载的数据。那么如果我们想要在scrapy也获取动态加载出的数据，则必须使用selenium创建浏览器对象，然后通过该浏览器对象进行请求发送，获取动态加载的数据值。

1，案例分析：

- 需求：爬取网易新闻的国内板块下的新闻数据

- 需求分析：当点击国内超链接进入对应页面时，会发现当前页面展示的新闻数据是被动态加载出来的。需要我们使用selenium实例化一个浏览器对象，在该对象中进行url的请求，获取动态加载的数据。

2，selenium在scrapy中使用的原理分析：

当引擎将国内板块url对应的请求提交给下载器后，下载进行网页数据的下载，然后将下载到的页面数据，封装到response中，提交给引擎，引擎将response在转交给Spiders。Spiders接收到的response对象中存储的页面数据里是没有动态加载的新闻数据的。要想获得动态数据，则需要在下载中间件中对下载器提交给引擎的response响应对象进行拦截，且对其内部存储的页面数据进行篡改，修改成携带了动态加载出的新闻数据，然后将被篡改的response对象最终交给Spiders进行解析操作。

3，selenium在scrapy中的使用流程：

  • 重写爬虫文件的构造方法，在该方法中使用selenium实例化一个浏览器对象（因为浏览器对象只需要被实例化一次）
  • 重写爬虫文件的closed(self,spider)方法，在其内部关闭浏览器对象。该方法是在爬虫结束时被调用
  • 重写下载中间件中的process_response方法，让该方法对响应对象进行拦截，并篡改response中存储的页面数据
  • 在配置文件中开启中间件

4，代码展示：

创建项目： 

scrapy startproject wangyi

cd wangyi

scrapy genspider wangyinews http://war.163.com

scrapy crawl wangyinews 完成代码编写后运行项目

- 爬虫文件： 

# -*- coding: utf-8 -*-

import scrapy

from selenium import webdriver

class WangyinewsSpider(scrapy.Spider):

    name = 'wangyinews'

    # allowed_domains = ['http://war.163.com/']

    start_urls = ['http://war.163.com/']

    def __init__(self):

        self.bro = webdriver.Chrome(executable_path=r'E:\Google\Google\Chrome\Application\chromedriver.exe')

    def parse(self, response):

        div_list = response.xpath('//div[@class="data_row news_article clearfix "]')

        for div in div_list:

            title = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()

            print(title)

    def closed(self, spider):

        print('关闭浏览器对象!')

        self.bro.quit()

- 中间件文件（只需要修改下载中间件的process_response函数） 

from time import sleep

from scrapy import signals

from scrapy.http import HtmlResponse

 def process_response(self, request, response, spider):

        print('即将返回一个新的响应对象!!!')

        bro = spider.bro

        bro.get(url=request.url)

        sleep(3)

        page_text = bro.page_source

        sleep(3)

        return HtmlResponse(url=spider.bro.current_url,body=page_text, encoding='utf-8', request=request)

- setting文件 

DOWNLOADER_MIDDLEWARES = {

   'wangyi.middlewares.WangyiDownloaderMiddleware': 543,

}

相关阅读

目录[+]