scrapy中selenium的应用

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，如果直接使用scrapy对其url发请求，是绝对获取不到那部分动态加载出来的数据值。但是通过观察我们会发现，通过浏览器进行url请求发送则会加载出对应的动态加载出的数据。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。

案例：爬取网易新闻的国内板块下的新闻数据

1.案例分析：

    - 需求：爬取网易新闻的国内板块下的新闻数据，新闻主题和详情页url

    - 需求分析：当点击国内超链进入国内对应的页面时，会发现当前页面展示的新闻数据是被动态加载出来的，如果直接通过程序对url进行请求，是获取不到动态加载出的新闻数据的。则就需要我们使用selenium实例化一个浏览器对象，在该对象中进行url的请求，获取动态加载的新闻数据。

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，下载器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接受到的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。要想获取动态加载的新闻数据，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，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
• 在配置文件中开启下载中间件

4.代码

爬虫文件：

# -*- coding: utf-8 -*-
import scrapy
from selenium import webdriver


class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.wangyi.com']
    start_urls = ['http://news.163.com/domestic/']
    def __init__(self):
        self.bro = webdriver.Chrome(executable_path=r'D:爬虫+数据分析	oolschromedriver.exe')

    def parse(self, response):
        # 解析数据
        div_list = response.xpath('//div[@class="ndi_main"]/div')
        for div in div_list:
            title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
            # 详情页的url
            detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
            print(title,detail_url)

    def closed(self, spider):
        self.bro.quit()

 中间件文件：

from scrapy import signals
from time import sleep
from scrapy.http import HtmlResponse


# 下载中间件
class WangyiproDownloaderMiddleware(object):
    # Not all methods need to be defined. If a method is not defined,
    # scrapy acts as if the downloader middleware does not modify the
    # passed objects.

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        return None

    # 拦截所有的响应对象
    def process_response(self, request, response, spider):
        # 参数spider表示的就是爬虫类的一个对象
        # 使用一个满足需求的新的响应对象替换原有的
        bro = spider.bro  # 浏览器对象
        url = spider.start_urls[0]
        bro.get(url)
        # 滚动滚轮加载动态数据
        bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
        sleep(2)
        bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
        sleep(2)
        bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
        sleep(2)
        a_tag = bro.find_elements_by_class_name('load_more_btn')[0]
        a_tag.click()  # 点击加载更多
        page_text = bro.page_source
        # 实例化一个新的响应对象
        response = HtmlResponse(url=bro.current_url, body=page_text, encoding='utf-8', request=request)
        return response

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

配置文件中开启下载中间件