1
使用 scrapy 做采集實在是爽，但是遇到網站反爬措施做的比較好的就讓人頭大了。除了硬着頭皮上以外，還可以使用爬蟲利器 selenium，selenium 因其良好的模擬能力成為爬蟲愛(cai)好(ji)者愛不釋手的武器。但是其速度又往往令人感到美中不足，特別是在與 scrapy 集成使用時，嚴重拖了 scrapy 的后腿，整個采集過程讓人看着實在不爽，那么有沒有更好的方式來使用呢？答案當然是必須的。
2
twisted 開發者在遇到與 MySQL 數據庫交互時，也有同樣的問題：如何在異步循環中更好的調用一個IO阻塞的函數？於是他們實現了 adbapi，將阻塞方法放進了線程池中執行。基於此，我們也可以將 selenium 相關的方法放入線程池中執行，這樣就可以極大的減少等待的時間。
3
由於 scrapy 是基於 twisted 開發的，因此基於 twisted 線程池實現 selenium 瀏覽器池，就能很好的與 scrapy 融合在一起了，所以本次就基於 twisted 的 threadpool 開發，手把手寫一個下載中間件，用來實現 scrapy 與 selenium 的優雅配合。
4
首先是對於請求類的定義，我們讓 selenium 只接受自定義的請求類調用，考慮到 selenium 中可等待，可執行 JavaScript，因此為其定義了 wait_until、wait_time、script 三個屬性，同時考慮到可能會在請求成功后對 webdriver 做自定制的操作，因此還定義了一個 handler 屬性，該屬性接受一個方法，僅可接受 driver、request、spider 三個參數，分別表示當前瀏覽器實例、當前請求實例、當前爬蟲實例，該方法可以有返回值，當該方法返回一個 Request 或 Response 對象時，與在 scrapy 中的下載中間中的 process_request 方法返回值具有同等作用：
import scrapy
class SeleniumRequest(scrapy.Request):
def __init__(self,
url,
callback=None,
wait_until=None,
wait_time=10,
script=None,
handler=None,
**kwargs):
self.wait_until = wait_until
self.wait_time = wait_time
self.script = script
self.handler = handler
super().__init__(url, callback, **kwargs)
5
定義好請求類后，還需要實現瀏覽器類，用於創建 webdriver 實例，同時做一些規避檢測和簡單優化的動作，並支持不同的瀏覽器，鑒於精力有限，這里僅支持 chrome 和 firefox 瀏覽器：
from scrapy.http import HtmlResponse
from selenium import webdriver
from selenium.webdriver.remote.webdriver import WebDriver as RemoteWebDriver
class Browser(object):
"""Browser to make drivers"""
# 支持的瀏覽器名稱及對應的類
support_driver_map = {
'firefox': webdriver.Firefox,
'chrome': webdriver.Chrome
}
def __init__(self, driver_name='chrome', executable_path=None, options=None, **opt_kw):
assert driver_name in self.support_driver_map, f'{driver_name} not be supported!'
self.driver_name = driver_name
self.executable_path = executable_path
if options is not None:
self.options = options
else:
self.options = make_options(self.driver_name, **opt_kw)
def driver(self):
kwargs = {'executable_path': self.executable_path, 'options': self.options}
# 關閉日志文件，僅適用於windows平台
if self.driver_name == 'firefox':
kwargs['service_log_path'] = 'nul'
driver = self.support_driver_map[self.driver_name](**kwargs)
self.prepare_driver(driver)
return _WebDriver(driver)
def prepare_driver(self, driver):
if isinstance(driver, webdriver.Chrome):
# 移除 `window.navigator.webdriver`.
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})
def make_options(driver_name, headless=True, disable_image=True, user_agent=None):
"""
params headless: 是否隱藏界面
params disable_image: 是否關閉圖像
params user_agent: 瀏覽器標志
"""
if driver_name == 'chrome':
options = webdriver.ChromeOptions()
options.headless = headless
# 關閉 gpu 渲染
options.add_argument('--disable-gpu')
if user_agent:
options.add_argument(f"--user-agent={user_agent}")
if disable_image:
options.add_experimental_option('prefs', {'profile.default_content_setting_values': {'images': 2}})
# 規避檢測
options.add_experimental_option('excludeSwitches', ['enable-automation', ])
return options
elif driver_name == 'firefox':
options = webdriver.FirefoxOptions()
options.headless = headless
if disable_image:
options.set_preference('permissions.default.image', 2)
if user_agent:
options.set_preference('general.useragent.override', user_agent)
return options
其中，Browser 類的 driver 方法用於創建 webdriver 實例，注意到其返回的並不是原生的 selenium 中 webdriver 實例，而是一個經過自定義的類，因為筆者有意為其實現一個特殊的方法，所以使用了代理類（其方法調用和 selenium 中的 webdriver 並無不同，只是多了一個新的方法），代碼如下：
class _WebDriver(object):
def __init__(self, driver: RemoteWebDriver):
self._driver = driver
self._is_idle = False
def __getattr__(self, item):
return getattr(self._driver, item)
def current_response(self, request):
"""返回當前頁面的 response 對象"""
return HtmlResponse(self.current_url,
body=str.encode(self.page_source),
encoding='utf-8',
request=request)
6
到此，終於到了最重要的一步：基於 selenium 的瀏覽器池實現，其實也就是進程池，只不過將初始化瀏覽器以及通過瀏覽器請求的操作交給了不同的進程而已。鑒於使用下載中間件的方式實現，因此可以將可配置屬性放入 scrapy 項目中的settings.py文件中，初始化時候方便直接讀取。這里先對可配置字段及其默認值說明：
# 最小 driver 實例數量
SELENIUM_MIN_DRIVERS = 3
# 最大 driver 實例數量
SELENIUM_MAX_DRIVERS = 5
# 是否隱藏界面
SELENIUM_HEADLESS = True
# 是否關閉圖像加載
SELENIUM_DISABLE_IMAGE = True
# driver 初始化時的執行路徑
SELENIUM_DRIVER_PATH = None
# 瀏覽器名稱
SELENIUM_DRIVER_NAME = 'chrome'
# 瀏覽器標志
USER_AGENT = ...
接下來，就是中間件代碼實現及其相應說明：
import logging
import threading
from scrapy import signals
from scrapy.http import Request, Response
from selenium.webdriver.support.ui import WebDriverWait
from scrapy_ajax_utils.selenium.browser import Browser
from scrapy_ajax_utils.selenium.request import SeleniumRequest
from twisted.internet import threads, reactor
from twisted.python.threadpool import ThreadPool
logger = logging.getLogger(__name__)
class SeleniumDownloaderMiddleware(object):
@classmethod
def from_crawler(cls, crawler):
settings = crawler.settings
min_drivers = settings.get('SELENIUM_MIN_DRIVERS', 3)
max_drivers = settings.get('SELENIUM_MAX_DRIVERS', 5)
# 初始化瀏覽器
browser = _make_browser_from_settings(settings)
dm = cls(browser, min_drivers, max_drivers)
# 綁定方法用於在爬蟲結束后執行
crawler.signals.connect(dm.spider_closed, signal=signals.spider_closed)
return dm
def __init__(self, browser, min_drivers, max_drivers):
self._browser = browser
self._drivers = set() # 存儲啟動的 driver 實例
self._data = threading.local() # 使用 ThreadLocal 綁定線程與 driver
self._threadpool = ThreadPool(min_drivers, max_drivers) # 創建線程池
def process_request(self, request, spider):
# 過濾非目標請求實例
if not isinstance(request, SeleniumRequest):
return
# 檢測線程池是否啟動
if not self._threadpool.started:
self._threadpool.start()
# 調用線程池執行瀏覽器請求
return threads.deferToThreadPool(
reactor, self._threadpool, self.download_by_driver, request, spider
)
def download_by_driver(self, request, spider):
driver = self.get_driver()
driver.get(request.url)
# 等待條件
if request.wait_until:
WebDriverWait(driver, request.wait_time).until(request.wait_until)
# 執行 JavaScript 並將執行結果放入 meta 中
if request.script:
request.meta['js_result'] = driver.execute_script(request.script)
# 調用自定制操作方法並檢測返回值
if request.handler:
result = request.handler(driver, request, spider)
if isinstance(result, (Request, Response)):
return result
# 返回當前頁面的 response 對象
return driver.current_response(request)
def get_driver(self):
"""
獲取當前線程綁定的 driver 對象
如果沒有則創建新的對象
並綁定到當前線程中
同時添加到已啟動 driver 中
最后返回
"""
try:
driver = self._data.driver
except AttributeError:
driver = self._browser.driver()
self._drivers.add(driver)
self._data.driver = driver
return driver
def spider_closed(self):
"""關閉所有啟動的 driver 對象，並關閉線程池"""
for driver in self._drivers:
driver.quit()
logger.debug('all webdriver closed.')
self._threadpool.stop()
def _make_browser_from_settings(settings):
headless = settings.getbool('SELENIUM_HEADLESS', True)
disable_image = settings.get('SELENIUM_DISABLE_IMAGE', True)
driver_name = settings.get('SELENIUM_DRIVER_NAME', 'chrome')
executable_path = settings.get('SELENIUM_DRIVER_PATH')
user_agent = settings.get('USER_AGENT')
return Browser(headless=headless,
disable_image=disable_image,
driver_name=driver_name,
executable_path=executable_path,
user_agent=user_agent)
7
嫌代碼寫着麻煩？沒關系，這里有一份已經寫好的代碼：https://github.com/kingron117/scrapy_ajax_utils
只需要 pip install scrapy-ajax-utils 即可食用~
8
本次代碼實現主要參(chao)考(xi)了以下兩個項目：