selenium在scrapy中的使用代碼
在通過(guò)scrapy框架進(jìn)行某些網(wǎng)站數(shù)據(jù)爬取的時(shí)候,往往會(huì)碰到頁(yè)面動(dòng)態(tài)數(shù)據(jù)加載的情況發(fā)生,如果直接使用scrapy對(duì)其url發(fā)請(qǐng)求,是絕對(duì)獲取不到那部分動(dòng)態(tài)加載出來(lái)的數(shù)據(jù)值。但是通過(guò)觀察我們會(huì)發(fā)現(xiàn),通過(guò)瀏覽器進(jìn)行url請(qǐng)求發(fā)送則會(huì)加載出對(duì)應(yīng)的動(dòng)態(tài)加載出的數(shù)據(jù)。那么如果我們想要在scrapy也獲取動(dòng)態(tài)加載出的數(shù)據(jù),則必須使用selenium創(chuàng)建瀏覽器對(duì)象,然后通過(guò)該瀏覽器對(duì)象進(jìn)行請(qǐng)求發(fā)送,獲取動(dòng)態(tài)加載的數(shù)據(jù)值。本文重點(diǎn)給大家介紹selenium在scrapy中的使用,具體內(nèi)容如下所示:
使用目的
爬取網(wǎng)易新聞國(guó)內(nèi)、國(guó)際、軍事、航空4個(gè)版塊的新聞。在測(cè)試中發(fā)現(xiàn)各版塊的新聞是動(dòng)態(tài)加載的,如果直接爬取無(wú)法獲取,使用selenium幫助獲取此部分?jǐn)?shù)據(jù)。
代碼
spider
import scrapy from selenium import webdriver from wangyiPro.items import WangyiproItem class WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.com'] start_urls = ['https://news.163.com/'] model_url = [] hro = webdriver.Chrome() def parse(self, response): # 從所有版塊中篩選出所需要下載的4個(gè)版塊 li_list = response.xpath('/html/body/div[1]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li') indexs = [3,4,6,7] for index in indexs: model_li = li_list[index] model_list = model_li.xpath('./a/@href').extract_first() self.model_url.append(model_list) for url in self.model_url: yield scrapy.Request(url=url,callback=self.parse_model) # 數(shù)據(jù)解析:新聞標(biāo)題+新聞詳情頁(yè)的url(動(dòng)態(tài)加載數(shù)據(jù)) def parse_model(self,response): # 直接對(duì)response解析無(wú)法獲取該數(shù)據(jù)(動(dòng)態(tài)加載數(shù)據(jù)) # 無(wú)法拿到動(dòng)態(tài)加載數(shù)據(jù)返回的響應(yīng)數(shù)據(jù)就不足 # 使用中間件修改不滿足需求的響應(yīng)對(duì)象中的響應(yīng)數(shù)據(jù),將其改為包含動(dòng)態(tài)加載數(shù)據(jù)的響應(yīng)數(shù)據(jù) div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div[1]/div/ul/li/div/div') for div in div_list: title = div.xpath('./div/div[1]/h3/a/text()').extract_first() new_url_detail = div.xpath('./div/div[1]/h3/a/@href').extract_first() if new_url_detail: item = WangyiproItem() item['title'] = title yield scrapy.Request(url=new_url_detail,callback=self.parse_detail,meta={'item':item}) def parse_detail(self,response): # 返回的列表,需要將其轉(zhuǎn)換為字符串 content = response.xpath('/html/body/div[3]/div[1]/div[3]/div[2]/p/text()').extract() content = ''.join(content) item = response.meta['item'] item['content'] = content yield item # 重寫(xiě)爬蟲(chóng)類父類方法,該方法在爬蟲(chóng)程序執(zhí)行結(jié)束后立即執(zhí)行 def closed(self,spider): # 打開(kāi)selenium需要關(guān)閉 self.hro.quit()
middlewares
from time import sleep from scrapy.http import HtmlResponse#scrapy封裝好的響應(yīng)類 class WangyiproDownloaderMiddleware: def process_request(self, request, spider): return None # 攔截所有的響應(yīng)對(duì)象 # 整個(gè)工程發(fā)起的請(qǐng)求:1+4+n 對(duì)應(yīng)相同的響應(yīng) def process_response(self, request, response, spider): # 從所有攔截對(duì)象中找到4個(gè)需修改的響應(yīng)對(duì)象 if request.url in spider.model_url: hro = spider.hro hro.get(request.url) sleep(2) # 網(wǎng)頁(yè)下拉到底,獲取更多動(dòng)態(tài)加載數(shù)據(jù) hro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(1) page_text = hro.page_source # response.text = page_text # 返回一個(gè)新的響應(yīng)對(duì)象 return HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request) # 如果不是需要修改的響應(yīng)數(shù)據(jù),不做修改 else: return response def process_exception(self, request, exception, spider): pass
效果
總結(jié)
-
hro = webdriver.Chrome()
我是直接將Chromedriver寫(xiě)入配置文件,所以直接實(shí)例化對(duì)象即可,如果沒(méi)有寫(xiě)入配置文件,寫(xiě)為hro = webdriver.Chrome(executable_path='絕對(duì)路徑')
。嘗試過(guò)將Chromedriver放到pycharm的文件下寫(xiě)入相對(duì)路徑,沒(méi)有成功。 - 使用selenium在結(jié)束后需要關(guān)閉,可以改寫(xiě)爬蟲(chóng)類父類方法closed()
- settings里修改三件套并且打開(kāi)下載中間件和items
以上就是selenium如何在scrapy中的使用的詳細(xì)內(nèi)容,更多關(guān)于scrapy中使用selenium的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!
- Scrapy+Selenium自動(dòng)獲取cookie爬取網(wǎng)易云音樂(lè)個(gè)人喜愛(ài)歌單
- 如何在scrapy中集成selenium爬取網(wǎng)頁(yè)的方法
- scrapy與selenium結(jié)合爬取數(shù)據(jù)(爬取動(dòng)態(tài)網(wǎng)站)的示例代碼
- scrapy結(jié)合selenium解析動(dòng)態(tài)頁(yè)面的實(shí)現(xiàn)
- scrapy利用selenium爬取豆瓣閱讀的全步驟
- python網(wǎng)絡(luò)爬蟲(chóng) Scrapy中selenium用法詳解
- Scrapy基于selenium結(jié)合爬取淘寶的實(shí)例講解
相關(guān)文章
Django集成富文本編輯器summernote的實(shí)現(xiàn)步驟
在最近的項(xiàng)目中小編使用了這個(gè)富文本編輯器,選擇它的主要原因是配置非常簡(jiǎn)單,默認(rèn)支持普通用戶上傳圖片(不像ckeditor默認(rèn)只有staff user才能上傳圖片。如果要讓普通用戶上傳圖片,還需修改源碼裝飾器)?,F(xiàn)在讓我們來(lái)看看如何使用這個(gè)富文本編輯器2021-05-05使用Python來(lái)開(kāi)發(fā)Markdown腳本擴(kuò)展的實(shí)例分享
這篇文章主要介紹了使用Python來(lái)開(kāi)發(fā)Markdown腳本擴(kuò)展的實(shí)例分享,文中的示例是用來(lái)簡(jiǎn)單地轉(zhuǎn)換文檔結(jié)構(gòu),主要為了體現(xiàn)一個(gè)思路,需要的朋友可以參考下2016-03-03tensorflow入門之訓(xùn)練簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)方法
本篇文章主要介紹了tensorflow入門之訓(xùn)練簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)方法,小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-02-02

python爬蟲(chóng)使用requests發(fā)送post請(qǐng)求示例詳解

python實(shí)現(xiàn)文件快照加密保護(hù)的方法

pycharm配置當(dāng)鼠標(biāo)懸停時(shí)快速提示方法參數(shù)