scrapy+selenium爬取网页动态加载数据实例讲解


实例：爬取网易新闻中的五大版块

url：https://news.163.com/

分析：

首页没有动态加载的数据，从中提取五个版块对应的url，每一个版块对应的页面中的新闻标题是动态加载，这里要配合selenium来提取爬取新闻标题和详情页的url，每一条新闻详情页面中的数据不是动态加载，直接爬取新闻内容，下面讲一下selenium在scrapy中的使用流程：

  • 在爬虫类中实例化一个浏览器对象，将其作为爬虫类的一个属性
  • 在中间件中实现浏览器自动化相关的操作
  • 在爬虫类中重写closed(self,spider),在其内部关闭浏览器对象

程序代码：

先在终端依次输入以下命令创建一个新的工程和爬虫：

  • scrapy startproject ProName
  • cd ProName
  • scrapy genspider spiderName www.xxx.com

接着编写spider文件夹下的爬虫文件：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
import scrapy
from wangyiPro.items import WangyiproItem
from selenium import webdriver


class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['xxx.com']
    start_urls = ['https://news.163.com/']
    model_urls = []
    driver = webdriver.Chrome(executable_path='D:\pycharm\Scrapy\chromedriver.exe') # 实例化浏览器对象

    def parse(self, response):
        li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        index = [3, 4, 6, 7, 8] # 五个版块的索引
        for i in index:
            model_url = li_list[i].xpath('./a/@href').extract_first()
            self.model_urls.append(model_url)
        for url in self.model_urls:
            yield scrapy.Request(url=url, callback=self.parse_model)

    def parse_model(self, response):
        div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div')
        for div in div_list:
            title = div.xpath('./div/div[1]/h3/a/text()').extract_first() # 这里xpath路径中的h3不能省略，否则会报错
            detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
            if detail_url:
                item = WangyiproItem()
                item['title'] = title

                yield scrapy.Request(url=detail_url, callback=self.parse_detail, meta={'item': item}) # 通过请求传参将meta传递给callback

    def parse_detail(self, response):
        content = response.xpath('//*[@id="endText"]/p/text()').extract()
        content = ''.join(content)
        item = response.meta['item']
        item['content'] = content

        yield item

    def closed(self, reason): # 爬虫结束爬取后关闭浏览器对象
        self.driver.quit()

在middlwares.py文件中实现浏览器自动化相关的操作：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
from time import sleep
from scrapy.http import HtmlResponse


class WangyiproDownloaderMiddleware(object):

    def process_request(self, request, spider):

        return None

    def process_response(self, request, response, spider):
        if request.url in spider.model_urls:
            driver = spider.driver
            driver.get(request.url)
            sleep(2)
            driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')# js注入：滑动页面一个屏幕的长度，可以获取更多的新闻信息
            sleep(1)
            page_text = driver.page_source
            return HtmlResponse(url=request.url, body=page_text, encoding='utf-8', request=request)
        else:
            return response

    def process_exception(self, request, exception, spider):

        pass

最后要记得在setting.py里开启管道机制和中间件机制：

1
2
3
4
5
6
7
DOWNLOADER_MIDDLEWARES = {
   'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,
}

ITEM_PIPELINES = {
   'wangyiPro.pipelines.WangyiproPipeline': 300,
}