結合selenium
原理：
scrapy框架只能爬取靜態網站。如需爬取動態網站，需要結合着selenium進行js的渲染，才能獲取到動態加載的數據。
如何通過selenium請求url，而不再通過下載器Downloader去請求這個url?
方法：
在request對象通過中間件的時候，在中間件內部開始使用selenium去請求url，並且會得到url對應的源碼，
然后再將源代碼通過response對象返回，直接交給process_response()進行處理，再交給引擎。
過程中相當於后續中間件的process_request()以及Downloader都跳過了。
確保python環境中有phantomJS（無頭瀏覽器）？？？
如果操作：
對於selenium的主要操作是下載中間件部分：
Middleware -- ScrapyDemo1DownloaderMiddleware -- def process_request()
from scrapy import signals
from selenium import webdriver
from selenium.webdriver import FirefoxOptions
from scrapy.http import HtmlResponse, Response
import time
*********************下面是相應是自定義的下載中間件的替換代碼**************************
class SeleniumTaobaoDownloaderMiddleware(object):
# 將driver創建在中間件的初始化方法中，適合項目中只有一個爬蟲。
# 爬蟲項目中有多個爬蟲文件的話，將driver對象的創建放在每一個爬蟲文件中。
# def __init__(self):
# # 在scrapy中創建driver對象，盡可能少的創建該對象。
# # 1. 在初始化方法中創建driver對象；
# # 2. 在open_spider中創建deriver對象；
# # 3. 不要將driver對象的創建放在process_request()；
# option = FirefoxOptions()
# option.headless = True
# self.driver = webdriver.Firefox(options=option)
# 參數spider就是TaobaoSpider()類的對象
def process_request(self, request, spider):
if spider.name == "taobao":
spider.driver.get(request.url)
# 由於淘寶的頁面數據加載需要進行滾動，但並不是所有js動態數據都需要滾動。
for x in range(1, 11, 2):
height = float(x) / 10
js = "document.documentElement.scrollTop = document.documentElement.scrollHeight * %f" % height
spider.driver.execute_script(js)
time.sleep(0.2)
origin_code = spider.driver.page_source
# 將源代碼構造成為一個Response對象，並返回。
res = HtmlResponse(url=request.url, encoding='utf8', body=origin_code, request=request)
# res = Response(url=request.url, body=bytes(origin_code), request=request)
return res
if spider.name == 'bole':
request.cookies = {}
request.headers.setDefault('User-Agent','')
return None
def process_response(self, request, response, spider):
print(response.url, response.status)
return response
爬蟲部分：
import scrapy
from selenium import webdriver
from selenium.webdriver import FirefoxOptions
class TaobaoSpider(scrapy.Spider):
"""
scrapy框架只能爬取靜態網站。如需爬取動態網站，需要結合着selenium進行js的渲染，才能獲取到動態加載的數據。
如何通過selenium請求url，而不再通過下載器Downloader去請求這個url?
方法：在request對象通過中間件的時候，在中間件內部開始使用selenium去請求url，並且會得到url對應的源碼，然后再將源代碼通過response對象返回，直接交給process_response()進行處理，再交給引擎。過程中相當於后續中間件的process_request()以及Downloader都跳過了。
"""
name = 'taobao'
allowed_domains = ['taobao.com']
start_urls = ['https://s.taobao.com/search?q=%E7%AC%94%E8%AE%B0%E6%9C%AC%E7%94%B5%E8%84%91&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306']
def __init__(self):
# 在初始化淘寶對象時，創建driver
super(TaobaoSpider, self).__init__(name='taobao')
option = FirefoxOptions()
option.headless = True
self.driver = webdriver.Firefox(options=option)
def parse(self, response):
"""
提取列表頁的商品標題和價格
:param response:
:return:
"""
info_divs = response.xpath('//div[@class="info-cont"]')
print(len(info_divs))
for div in info_divs:
title = div.xpath('.//a[@class="product-title"]/@title').extract_first('')
price = div.xpath('.//span[contains(@class, "g_price")]/strong/text()').extract_first('')
print(title, price)
setting文件
把自定義的中間件打開，
注意：
關於代碼中提到的初始化driver的位置有以下兩種情況：
1、只存在一個爬蟲文件的話，driver初始化函數可以定義在middlewares.py的自定義中間件中（如上述代碼注釋初始化部分）
也可以在爬蟲文件中自定義（如上述代碼在爬蟲文件中初始化）。
注意：如果只有一個爬蟲文件就不需要在自定義的process_requsests中判斷是哪一個爬蟲項目然后分別請求！
2、如果存在兩個或兩個以上爬蟲文件的時候，
需要將driver的初始化函數定義在各自的爬蟲項目文件下（如上述代碼），同時需要在process_requsests判斷是那個爬蟲項目的請求！！
這一點很重要
並且要注意初始化項目的名稱！！
super(TaobaoSpider, self).__init__(name='taobao')
def __init__(self):
# 在初始化淘寶對象時，創建driver
super(TaobaoSpider, self).__init__(name='taobao')
option = FirefoxOptions()
option.headless = True
self.driver = webdriver.Firefox(options=option)
# 整個爬蟲結束后關閉瀏覽器
def close(self,spider):
self.browser.quit()
2 使用流程
1 重寫爬蟲文件的__init__()構造方法，在該方法中使用selenium實例化一個瀏覽器對象（因為瀏覽器對象只需要被實例化一次）.
2 重寫爬蟲文件的closed(self,spider)方法，在其內部關閉瀏覽器對象,該方法是在爬蟲結束時被調用.
3 重寫下載中間件的process_response方法，讓該方法對響應對象進行攔截，並篡改response中存儲的頁面數據.
4 在settings配置文件中開啟下載中間件
還可以再下載中間件處理異常：
# 請求出錯了的操作, 比如ip被封了,可以在這里設置ip代理
def process_exception(self, request, exception, spider):
print("添加代理開始")
ret_proxy = get_proxy()
request.meta["proxy"] = ret_proxy
print("為%s添加代理%s" %(request.url,ret_proxy), end="")
return None
還可以再下載中間件處理響應：
def process_response(self, request, response, spider):
"""
三個參數:
# request: 響應對象所對應的請求對象
# response: 攔截到的響應對象
# spider: 爬蟲文件中對應的爬蟲類 WangyiSpider 的實例對象, 可以通過這個參數拿到 WangyiSpider 中的一些屬性或方法
"""
# 對頁面響應體數據的篡改, 如果是每個模塊的 url 請求, 則處理完數據並進行封裝
if request.url in ["http://news.163.com/domestic/","http://war.163.com/","http://news.163.com/world/","http://news.163.com/air/"]:
spider.browser.get(url=request.url)
# more_btn = spider.browser.find_element_by_class_name("post_addmore") # 更多按鈕
# print(more_btn)
js = "window.scrollTo(0,document.body.scrollHeight)"
spider.browser.execute_script(js)
# if more_btn and request.url == "http://news.163.com/domestic/":
# more_btn.click()
time.sleep(1) # 等待加載, 可以用顯示等待來優化.
row_response= spider.browser.page_source
return HtmlResponse(url=spider.browser.current_url,body=row_response,encoding="utf8",request=request) # 參數url指當前瀏覽器訪問的url(通過current_url方法獲取), 在這里參數url也可以用request.url
# 參數body指要封裝成符合HTTP協議的源數據, 后兩個參數可有可無
else:
return response # 是原來的主頁的響應對象
ps 看起來selenium的渲染處理，放在request和response都是可以的，但是我還是傾向於request，好理解，
還可以在中間件增加請求頭，
# 可以攔截到request請求
def process_request(self, request, spider):
# 在進行url訪問之前可以進行的操作, 更換UA請求頭, 使用其他代理等
pass
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
user_agent_list = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
"(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
"(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
"(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
"(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
"(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
"(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
class RandomUserAgent(UserAgentMiddleware): # 如何運行此中間件? settings 直接添加就OK
def process_request(self, request, spider):
ua = random.choice(user_agent_list)
# 在請求頭里設置ua
request.headers.setdefault("User-Agent",ua)
settings配置文件中:
DOWNLOADER_MIDDLEWARES = {
'WangYiPro.middlewares.WangyiproDownloaderMiddleware': 543,
'WangYiPro.middlewares.RandomUserAgent': 542,
}
