Scrapy 框架-爬取JS生成的動態頁面

問題

有的頁面的很多部分都是用JS生成的，而對於用scrapy爬蟲來說就是一個很大的問題，因為scrapy沒有JS engine，所以爬取的都是靜態頁面，對於JS生成的動態頁面都無法獲得

官網http://splash.readthedocs.io/en/stable/

解決方案

• 利用第三方中間件來提供JS渲染服務： scrapy-splash 等
• 利用webkit或者基於webkit庫

Splash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）用來讓服務具有異步處理能力，以發揮webkit的並發能力

安裝

1. pip安裝scrapy-splash庫

 pip install scrapy-splash 

2. scrapy-splash使用的是Splash HTTP API， 所以需要一個splash instance，一般采用docker運行splash，所以需要安裝docker
3. 安裝docker, 安裝好后運行docker
4. 拉取鏡像

 docker pull scrapinghub/splash 

5. 用docker運行scrapinghub/splash

docker run -p 8050:8050 scrapinghub/splash 

6. 配置splash服務（以下操作全部在settings.py）:

   1. 使用splash解析，要在配置文件中設置splash服務器地址：

   SPLASH_URL = 'http://192.168.99.100:8050/' 

   2. 將splash middleware添加到DOWNLOADER_MIDDLEWARE中

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

   3. Enable SplashDeduplicateArgsMiddleware

   SPIDER_MIDDLEWARES = {
     'scrapy_splash.SplashDeduplicateArgsMiddleware': 100
   }
   

   這個中間件需要支持cache_args功能; 它允許通過不在磁盤請求隊列中多次存儲重復的Splash參數來節省磁盤空間。如果使用Splash 2.1+，則中間件也可以通過不將這些重復的參數多次發送到Splash服務器來節省網絡流量

   4. 配置消息隊列所使用的過濾類

   DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter' 

   5. 配置消息隊列需要使用的類

   HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage' 

樣例

import scrapy from scrapy_splash import SplashRequest class DoubanSpider(scrapy.Spider): name = 'douban' allowed_domains = ['douban.com'] def start_requests(self): yield SplashRequest('https://movie.douban.com/typerank?type_name=劇情&type=11&interval_id=100:90', args={'wait': 0.5}) def parse(self, response): print(response.text)