亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

python網(wǎng)絡(luò)爬蟲 Scrapy中selenium用法詳解

 更新時(shí)間:2019年09月28日 10:07:15   作者:陪伴is最長情的告白  
這篇文章主要介紹了python網(wǎng)絡(luò)爬蟲 Scrapy中selenium用法詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值

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。

相關(guān)文章

  • python基礎(chǔ)字符串str詳解

    python基礎(chǔ)字符串str詳解

    大家好,本篇文章主要講的是python基礎(chǔ)字符串str詳解,感興趣的同學(xué)趕快來看一看吧,對你有幫助的話記得收藏一下,方便下次瀏覽
    2021-12-12
  • django 修改server端口號的方法

    django 修改server端口號的方法

    今天小編就為大家分享一篇django 修改server端口號的方法,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
    2018-05-05
  • DataFrame里的replace替換方式

    DataFrame里的replace替換方式

    這篇文章主要介紹了DataFrame里的replace替換方式,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-08-08
  • tensorflow實(shí)現(xiàn)在函數(shù)中用tf.Print輸出中間值

    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
    2020-01-01
  • Python批量查詢關(guān)鍵詞微信指數(shù)實(shí)例方法

    Python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。
    2019-06-06
  • pandas的apply函數(shù)用法詳解

    pandas的apply函數(shù)用法詳解

    本文主要介紹了pandas的apply函數(shù)用法詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-01-01
  • Python使用win32com.client的方法示例

    Python使用win32com.client的方法示例

    本文主要介紹了Python使用win32com.client的方法示例,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-02-02
  • Pytorch自定義CNN網(wǎng)絡(luò)實(shí)現(xiàn)貓狗分類詳解過程

    Pytorch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

    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
    2018-11-11
  • Django 實(shí)現(xiàn)將圖片轉(zhuǎn)為Base64,然后使用json傳輸

    Django 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

最新評論