Python網頁信息采集：使用PhantomJS采集淘寶天貓商品內容

1，引言

最近一直在看Scrapy 爬蟲框架，並嘗試使用Scrapy框架寫一個可以實現網頁信息采集的簡單的小程序。嘗試過程中遇到了很多小問題，希望大家多多指教。

本文主要介紹如何使用Scrapy結合PhantomJS采集天貓商品內容，文中自定義了一個DOWNLOADER_MIDDLEWARES，用來采集需要加載js的動態網頁內容。看了很多介紹DOWNLOADER_MIDDLEWARES資料，總結來說就是使用簡單，但會阻塞框架，所以性能方面不佳。一些資料中提到了自定義DOWNLOADER_HANDLER或使用scrapyjs可以解決阻塞框架的問題，有興趣的小伙伴可以去研究一下，這里就不多說了。

2，具體實現

2.1，環境需求

需要執行以下步驟，准備Python開發和運行環境：

• Python--官網下載安裝並部署好環境變量 （本文使用Python版本為3.5.1）
• lxml-- 官網庫下載對應版本的.whl文件，然后命令行界面執行 "pip install .whl文件路徑"
• Scrapy--命令行界面執行 "pip install Scrapy"，詳細請參考《Scrapy的第一次運行測試》
• selenium--命令行界面執行 "pip install selenium"
• PhantomJS -- 官網下載

上述步驟展示了兩種安裝：1，安裝下載到本地的wheel包；2，用Python安裝管理器執行遠程下載和安裝。注：包的版本需要和python版本配套

2.2，開發和測試過程

首先找到需要采集的網頁，這里簡單找了一個天貓商品，網址https://world.tmall.com/item/526449276263.htm， 頁面如下： 

然后開始編寫代碼，以下代碼默認都是在命令行界面執行

1)，創建scrapy爬蟲項目tmSpider

E:\python-3.5.1>scrapy startproject tmSpider

 

2)，修改settings.py配置

• 更改ROBOTSTXT_OBEY的值為False；
• 關閉scrapy默認的下載器中間件；
• 加入自定義DOWNLOADER_MIDDLEWARES。

配置如下：

DOWNLOADER_MIDDLEWARES = {
    'tmSpider.middlewares.middleware.CustomMiddlewares': 543,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None
}

 

3)，在項目目錄下創建middlewares文件夾,然后在文件夾下創建middleware.py文件，代碼如下：

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

from scrapy.exceptions import IgnoreRequest
from scrapy.http import HtmlResponse, Response

import tmSpider.middlewares.downloader as downloader

class CustomMiddlewares(object):
    def process_request(self, request, spider):
        url = str(request.url)
        dl = downloader.CustomDownloader()
        content = dl.VisitPersonPage(url)
        return HtmlResponse(url, status = 200, body = content)
    
    def process_response(self, request, response, spider):
        if len(response.body) == 100:
            return IgnoreRequest("body length == 100")
        else:
            return response

 

4)，使用selenium和PhantomJS寫一個網頁內容下載器，同樣在上一步創建好的middlewares文件夾中創建downloader.py文件，代碼如下：

# -*- coding: utf-8 -*-
import time
from scrapy.exceptions import IgnoreRequest
from scrapy.http import HtmlResponse, Response
from selenium import webdriver
import selenium.webdriver.support.ui as ui 

class CustomDownloader(object):
    def __init__(self):
        # use any browser you wish
        cap = webdriver.DesiredCapabilities.PHANTOMJS
        cap["phantomjs.page.settings.resourceTimeout"] = 1000
        cap["phantomjs.page.settings.loadImages"] = True
        cap["phantomjs.page.settings.disk-cache"] = True
        cap["phantomjs.page.customHeaders.Cookie"] = 'SINAGLOBAL=3955422793326.2764.1451802953297; '
        self.driver = webdriver.PhantomJS(executable_path='F:/phantomjs/bin/phantomjs.exe', desired_capabilities=cap)
        wait = ui.WebDriverWait(self.driver,10)
    
    def VisitPersonPage(self, url):
        print('正在加載網站.....')
        self.driver.get(url)
        time.sleep(1)
        # 翻到底，詳情加載
        js="var q=document.documentElement.scrollTop=10000"
        self.driver.execute_script(js)
        time.sleep(5)
        content = self.driver.page_source.encode('gbk', 'ignore')
        print('網頁加載完畢.....')
        return content

    def __del__(self):
        self.driver.quit()

 

5) 創建爬蟲模塊

在項目目錄E:\python-3.5.1\tmSpider，執行如下代碼：

E:\python-3.5.1\tmSpider>scrapy genspider tmall 'tmall.com'

執行后，項目目錄E:\python-3.5.1\tmSpider\tmSpider\spiders下會自動生成tmall.py程序文件。該程序中parse函數處理scrapy下載器返回的網頁內容，采集網頁信息的方法可以是：

• 使用xpath或正則方式從response.body中采集所需字段，
• 通過gooseeker api獲取的內容提取器實現一站轉換所有字段，而且不用手工編寫轉換用的xpath（如何獲取內容提取器請參考python使用xslt提取網頁數據）,代碼如下：

# -*- coding: utf-8 -*-
import time
import scrapy

import tmSpider.gooseeker.gsextractor as gsextractor

class TmallSpider(scrapy.Spider):
    name = "tmall"
    allowed_domains = ["tmall.com"]
    start_urls = (
        'https://world.tmall.com/item/526449276263.htm',
    )
    
    # 獲得當前時間戳
    def getTime(self):
        current_time = str(time.time())
        m = current_time.find('.')
        current_time = current_time[0:m]
        return current_time

    def parse(self, response):
        html = response.body
        print("----------------------------------------------------------------------------")
        extra=gsextractor.GsExtractor()
        extra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "淘寶天貓_商品詳情30474","tmall","list")

        result = extra.extract(html)
        print(str(result).encode('gbk', 'ignore').decode('gbk'))
        #file_name = 'F:/temp/淘寶天貓_商品詳情30474_' + self.getTime() + '.xml'
        #open(file_name,"wb").write(result)

 

6)，啟動爬蟲

在E:\python-3.5.1\tmSpider項目目錄下執行命令

E:\python-3.5.1\simpleSpider>scrapy crawl tmall

輸出結果:

提一下，上述命令只能一次啟動一個爬蟲，如果想同時啟動多個呢？那就需要自定義一個爬蟲啟動模塊了，在spiders下創建模塊文件runcrawl.py，代碼如下

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

import scrapy
from twisted.internet import reactor
from scrapy.crawler import CrawlerRunner

from tmall import TmallSpider
...
spider = TmallSpider(domain='tmall.com')
runner = CrawlerRunner()
runner.crawl(spider)
...
d = runner.join()
d.addBoth(lambda _: reactor.stop())
reactor.run()

執行runcrawl.py文件，輸出結果：

3，展望

以自定義DOWNLOADER_MIDDLEWARES調用PhantomJs的方式實現爬蟲后，在阻塞框架的問題上糾結了很長的時間，一直在想解決的方式。后續會研究一下scrapyjs，splash等其他調用瀏覽器的方式看是否能有效的解決這個問題。

4，相關文檔

1， Python即時網絡爬蟲：API說明

5，集搜客GooSeeker開源代碼下載源

1， GooSeeker開源Python網絡爬蟲GitHub源

6，文檔修改歷史

1，2016-07-06：V1.0