python網(wǎng)絡(luò)爬蟲 Scrapy中selenium用法詳解
引入
在通過scrapy框架進(jìn)行某些網(wǎng)站數(shù)據(jù)爬取的時(shí)候,往往會碰到頁面動態(tài)數(shù)據(jù)加載的情況發(fā)生,如果直接使用scrapy對其url發(fā)請求,是絕對獲取不到那部分動態(tài)加載出來的數(shù)據(jù)值。但是通過觀察我們會發(fā)現(xiàn),通過瀏覽器進(jìn)行url請求發(fā)送則會加載出對應(yīng)的動態(tài)加載出的數(shù)據(jù)。那么如果我們想要在scrapy也獲取動態(tài)加載出的數(shù)據(jù),則必須使用selenium創(chuàng)建瀏覽器對象,然后通過該瀏覽器對象進(jìn)行請求發(fā)送,獲取動態(tài)加載的數(shù)據(jù)值。
1.案例分析:
- 需求:爬取網(wǎng)易新聞的國內(nèi)、國際、軍事、無人機(jī)板塊下的新聞數(shù)據(jù)
- 需求分析:當(dāng)點(diǎn)擊國內(nèi)超鏈進(jìn)入國內(nèi)對應(yīng)的頁面時(shí),會發(fā)現(xiàn)當(dāng)前頁面展示的新聞數(shù)據(jù)是被動態(tài)加載出來的,如果直接通過程序?qū)rl進(jìn)行請求,是獲取不到動態(tài)加載出的新聞數(shù)據(jù)的。則需要我們使用selenium實(shí)例化一個(gè)瀏覽器對象,在該對象中進(jìn)行url的請求,獲取動態(tài)加載的新聞數(shù)據(jù)。
2.selenium在scrapy中使用的原理分析:
當(dāng)引擎將國內(nèi)板塊url對應(yīng)的請求提交給下載器后,下載器進(jìn)行網(wǎng)頁數(shù)據(jù)的下載,然后將下載到的頁面數(shù)據(jù),封裝到response中,提交給引擎,引擎將response再轉(zhuǎn)交給Spiders。Spiders接受到的response對象中存儲的頁面數(shù)據(jù)里是沒有動態(tài)加載的新聞數(shù)據(jù)的。要想獲取動態(tài)加載的新聞數(shù)據(jù),則需要在下載中間件中對下載器提交給引擎的response響應(yīng)對象進(jìn)行攔截,切對其內(nèi)部存儲的頁面數(shù)據(jù)進(jìn)行篡改,修改成攜帶了動態(tài)加載出的新聞數(shù)據(jù),然后將被篡改的response對象最終交給Spiders進(jìn)行解析操作。
3.selenium在scrapy中的使用流程:
- 重寫爬蟲文件的構(gòu)造方法,在該方法中使用selenium實(shí)例化一個(gè)瀏覽器對象(因?yàn)闉g覽器對象只需要被實(shí)例化一次)
- 重寫爬蟲文件的closed(self,spider)方法,在其內(nèi)部關(guān)閉瀏覽器對象。該方法是在爬蟲結(jié)束時(shí)被調(diào)用
- 重寫下載中間件的process_response方法,讓該方法對響應(yīng)對象進(jìn)行攔截,并篡改response中存儲的頁面數(shù)據(jù)
- 在配置文件中開啟下載中間件
4.實(shí)例:
# 1.spider文件 import scrapy from wangyiPro.items import WangyiproItem from selenium import webdriver class WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.con'] start_urls = ['https://news.163.com/'] # 瀏覽器實(shí)例化的操作只會被執(zhí)行一次 bro = webdriver.Chrome(executable_path='chromedriver.exe') urls = []# 最終存放的就是5個(gè)板塊對應(yīng)的url def parse(self, response): li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li') for index in [3,4,6,7,8]: li = li_list[index] new_url = li.xpath('./a/@herf').extract_first() self.urls.append(new_url) # 對5大板塊對應(yīng)的url進(jìn)行請求發(fā)送 yield scrapy.Request(url=new_url,callback=self.parse_news) # 用來解析每一個(gè)板塊對應(yīng)的新聞數(shù)據(jù)【只能解析到新聞的標(biāo)題】 def parse_news(self,response): 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() news_detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first() # 實(shí)例化item對象,將解析到的標(biāo)題和內(nèi)容存儲到item對象中 item = WangyiproItem() item['title'] = title # 對詳情頁的url進(jìn)行手動請求發(fā)送獲得新聞內(nèi)容 yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta={'item':item}) def parse_detail(self,response): item = response.meta['item'] # 通過response解析出新聞內(nèi)容 content = response.xpath('//div[@id="endText"]//text()').extract() content = ''.join(content) item['content'] = content yield item def close(self,spider): # 當(dāng)爬蟲結(jié)束之后,調(diào)用關(guān)閉瀏覽器方法 print('爬蟲整體結(jié)束~~~~~~~~~~~~~~~~~~~') self.bro.quit() ---------------------------------------------------------------------------------------- # 2.items文件 import scrapy class WangyiproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() content = scrapy.Field() ---------------------------------------------------------------------------------------- # 3.middlewares文件 from scrapy import signals from scrapy.http import HtmlResponse from time import sleep class WangyiproDownloaderMiddleware(object): def process_request(self, request, spider): return None def process_response(self, request, response, spider): # 判斷哪些響應(yīng)對象是5個(gè)板塊的,如果在就對響應(yīng)對象進(jìn)行處理 if response.url in spider.urls: # 獲取在爬蟲類中定義好的瀏覽器 bro = spider.bro bro.get(response.url) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) # 獲取攜帶了新聞數(shù)據(jù)的頁面源碼數(shù)據(jù) page_text = bro.page_source # 實(shí)例化一個(gè)新的響應(yīng)對象 new_response = HtmlResponse(url=response.url,body=page_text,encoding='utf-8',request=request) return new_response else: return response def process_exception(self, request, exception, spider): pass ---------------------------------------------------------------------------------------- # 4.pipelines文件 class WangyiproPipeline(object): def process_item(self, item, spider): print(item) return item ---------------------------------------------------------------------------------------- # 5.setting文件 BOT_NAME = 'wangyiPro' SPIDER_MODULES = ['wangyiPro.spiders'] NEWSPIDER_MODULE = 'wangyiPro.spiders' USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36' ROBOTSTXT_OBEY = False DOWNLOADER_MIDDLEWARES = { 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543, } ITEM_PIPELINES = { 'wangyiPro.pipelines.WangyiproPipeline': 300, } LOG_LEVEL = 'ERROR'
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
- python網(wǎng)絡(luò)爬蟲selenium打開多窗口與切換頁面的實(shí)現(xiàn)
- python實(shí)現(xiàn)selenium網(wǎng)絡(luò)爬蟲的方法小結(jié)
- Python+selenium實(shí)現(xiàn)趣頭條的視頻自動上傳與發(fā)布
- Python + selenium 自動化測試框架詳解
- python自動化測試selenium屏幕截圖示例
- Python編程使用Selenium模擬淘寶登錄實(shí)現(xiàn)過程
- Python+selenium 自動化快手短視頻發(fā)布的實(shí)現(xiàn)過程
- Python結(jié)合Selenium簡單實(shí)現(xiàn)Web自動化測試
- 利用Python+Selenium破解春秋航空網(wǎng)滑塊驗(yàn)證碼的實(shí)戰(zhàn)過程
- python網(wǎng)絡(luò)爬蟲基于selenium爬取斗魚直播信息
相關(guān)文章
tensorflow實(shí)現(xiàn)在函數(shù)中用tf.Print輸出中間值
今天小編就為大家分享一篇tensorflow實(shí)現(xiàn)在函數(shù)中用tf.Print輸出中間值,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01Python批量查詢關(guān)鍵詞微信指數(shù)實(shí)例方法
在本篇文章中小編給大家整理的是關(guān)于Python批量查詢關(guān)鍵詞微信指數(shù)實(shí)例方法以及相關(guān)代碼,需要的朋友們可以跟著學(xué)習(xí)下。2019-06-06Pytorch自定義CNN網(wǎng)絡(luò)實(shí)現(xiàn)貓狗分類詳解過程
PyTorch是一個(gè)開源的Python機(jī)器學(xué)習(xí)庫,基于Torch,用于自然語言處理等應(yīng)用程序。它不僅能夠?qū)崿F(xiàn)強(qiáng)大的GPU加速,同時(shí)還支持動態(tài)神經(jīng)網(wǎng)絡(luò)。本文將介紹PyTorch自定義CNN網(wǎng)絡(luò)實(shí)現(xiàn)貓狗分類,感興趣的可以學(xué)習(xí)一下2022-12-12淺談python實(shí)現(xiàn)Google翻譯PDF,解決換行的問題
今天小編就為大家分享一篇淺談python實(shí)現(xiàn)Google翻譯PDF,解決換行的問題,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11Django 實(shí)現(xiàn)將圖片轉(zhuǎn)為Base64,然后使用json傳輸
這篇文章主要介紹了Django 實(shí)現(xiàn)將圖片轉(zhuǎn)為Base64,然后使用json傳輸,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03