scrapy中selenium的應用

目錄

• scrapy中selenium的應用

scrapy中selenium的應用

1.案例分析：

- 需求：爬取網易新聞的國內板塊下的新聞數據

- 需求分析：當點擊國內超鏈進入國內對應的頁面時，會發現當前頁面展現的新聞數據是被動態加載出來的，若是直接經過程序對url進行請求，是獲取不到動態加載出的新聞數據的。則就須要咱們使用selenium實例化一個瀏覽器對象，在該對象中進行url的請求，獲取動態加載的新聞數據。

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，下載器進行網頁數據的下載，而後將下載到的頁面數據，封裝到response中，提交給引擎，引擎將response在轉交給Spiders。Spiders接受到的response對象中存儲的頁面數據裏是沒有動態加載的新聞數據的。要想獲取動態加載的新聞數據，則須要在下載中間件中對下載器提交給引擎的response響應對象進行攔截，切對其內部存儲的頁面數據進行篡改，修改爲攜帶了動態加載出的新聞數據，而後將被篡改的response對象最終交給Spiders進行解析操做。

3.selenium在scrapy中的使用流程：

• 重寫爬蟲文件的構造方法，在該方法中使用selenium實例化一個瀏覽器對象（由於瀏覽器對象只須要被實例化一次）

• 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

• 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

• 在配置文件中開啓下載中間件

4.代碼展現：

• 爬蟲文件：

  class WangyiSpider(RedisSpider):
        name = 'wangyi'
        #allowed_domains = ['www.xxxx.com']
        start_urls = ['https://news.163.com']
        def __init__(self):
            #實例化一個瀏覽器對象(實例化一次)
            self.bro = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
  
        #必須在整個爬蟲結束後，關閉瀏覽器
        def closed(self,spider):
            print('爬蟲結束')
            self.bro.quit()

- 中間件文件：

from scrapy.http import HtmlResponse    
    #參數介紹：
    #攔截到響應對象（下載器傳遞給Spider的響應對象）
    #request：響應對象對應的請求對象
    #response：攔截到的響應對象
    #spider：爬蟲文件中對應的爬蟲類的實例
    def process_response(self, request, response, spider):
        #響應對象中存儲頁面數據的篡改
        if request.url in['http://news.163.com/domestic/','http://news.163.com/world/','http://news.163.com/air/','http://war.163.com/']:
            spider.bro.get(url=request.url)
            js = 'window.scrollTo(0,document.body.scrollHeight)'
            spider.bro.execute_script(js)
            time.sleep(2)  #必定要給與瀏覽器必定的緩衝加載數據的時間
            #頁面數據就是包含了動態加載出來的新聞數據對應的頁面數據
            page_text = spider.bro.page_source
            #篡改響應對象
            return HtmlResponse(url=spider.bro.current_url,body=page_text,encoding='utf-8',request=request)
        else:
            return response

- 配置文件：

DOWNLOADER_MIDDLEWARES = {
    'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,

}