Scrapy-Splash的介紹、安裝以及實例

scrapy-splash的介紹

  在前面的博客中，咱們已經見識到了Scrapy的強大之處。可是，Scrapy也有其不足之處，即Scrapy沒有JS engine, 所以它沒法爬取JavaScript生成的動態網頁，只能爬取靜態網頁，而在現代的網絡世界中，大部分網頁都會採用JavaScript來豐富網頁的功能。因此，這無疑Scrapy的遺憾之處。
  那麼，咱們還能愉快地使用Scrapy來爬取動態網頁嗎？有沒有什麼補充的辦法呢？答案依然是yes!答案就是，使用scrapy-splash模塊！
  scrapy-splash模塊主要使用了Splash. 所謂的Splash, 就是一個Javascript渲染服務。它是一個實現了HTTP API的輕量級瀏覽器，Splash是用Python實現的，同時使用Twisted和QT。Twisted（QT）用來讓服務具備異步處理能力，以發揮webkit的併發能力。Splash的特色以下：

• 並行處理多個網頁
• 獲得HTML結果以及（或者）渲染成圖片
• 關掉加載圖片或使用 Adblock Plus規則使得渲染速度更快
• 使用JavaScript處理網頁內容
• 使用Lua腳本
• 能在Splash-Jupyter Notebooks中開發Splash Lua scripts
• 可以得到具體的HAR格式的渲染信息

scrapy-splash的安裝

  因爲Splash的上述特色，使得Splash和Scrapy二者的兼容性較好，抓取效率較高。
  聽了上面的介紹，有沒有對scrapy-splash很心動呢？下面就介紹如何安裝scrapy-splash，步驟以下：
  1. 安裝scrapy-splash模塊

pip3 install scrapy-splash

  2. scrapy-splash使用的是Splash HTTP API， 因此須要一個splash instance，通常採用docker運行splash，因此須要安裝docker。不一樣系統的安裝命令會不一樣，如筆者的CentOS7系統的安裝方式爲：

sudo yum install docker

安裝完docker後，能夠輸入命令‘docker -v’來驗證docker是否安裝成功。

  3. 開啓docker服務，拉取splash鏡像（pull the image）：

sudo service docker start
sudo dock pull scrapinghub/splash

運行結果以下：

  4. 開啓容器（start the container）：

sudo docker run -p 8050:8050 scrapinghub/splash

此時Splash以運行在本地服務器的端口8050(http).在瀏覽器中輸入'localhost:8050'， 頁面以下：

在這個網頁中咱們可以運行Lua scripts，這對咱們在scrapy-splash中使用Lua scripts是很是有幫助的。以上就是咱們安裝scrapy-splash的所有。

scrapy-splash的實例

  在安裝完scrapy-splash以後，不趁機介紹一個實例，實在是說不過去的，咱們將在此介紹一個簡單的實例，那就是利用百度查詢手機號碼信息。好比，咱們在百度輸入框中輸入手機號碼‘159’，而後查詢，獲得以下信息：

咱們將利用scrapy-splash模擬以上操做並獲取手機號碼信息。

  1. 建立scrapy項目phone
  2. 配置settings.py文件，配置的內容以下：

ROBOTSTXT_OBEY = False

SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810
}

SPLASH_URL = 'http://localhost:8050'

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

具體的配置說明能夠參考：  https://pypi.python.org/pypi/... .

  3. 建立爬蟲文件phoneSpider.py, 代碼以下：

# -*- coding: utf-8 -*-
from scrapy import Spider, Request
from scrapy_splash import SplashRequest

# splash lua script
script = """
         function main(splash, args)
             assert(splash:go(args.url))
             assert(splash:wait(args.wait))
             js = string.format("document.querySelector('#kw').value=%s;document.querySelector('#su').click()", args.phone)
             splash:evaljs(js)
             assert(splash:wait(args.wait))
             return splash:html()
         end
         """

class phoneSpider(Spider):
    name = 'phone'
    allowed_domains = ['www.baidu.com']
    url = 'https://www.baidu.com'
    
    # start request
    def start_requests(self):
        yield SplashRequest(self.url, callback=self.parse, endpoint='execute', args={'lua_source': script, 'phone':'159*******', 'wait': 5})
   
    # parse the html content 
    def parse(self, response):
        info = response.css('div.op_mobilephone_r.c-gap-bottom-small').xpath('span/text()').extract()
        print('='*40)
        print(''.join(info))
        print('='*40)

  4. 運行爬蟲，scrapy crawl phone, 結果以下：

  實例展現到此結束，歡迎你們訪問這個項目的Github地址：  https://github.com/percent4/p... .固然，有什麼問題，也能夠載下面留言評論哦~~