Python爬虫实战使用scrapy与selenium来爬取数据

系列文章目录

实战使用scrapy与selenium来爬取数据

文章目录

前言

当学会使用Scrapy 和 Selenium后的那就试试通过Scrapy 驱动 Selenium来获取数据，可以绕过JS解密的耗时，缺点是可能爬取数据的速度会变慢慢。
Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。
Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，类型像我们玩游戏用的按键精灵，可以按指定的命令自动操作，不同是Selenium 可以直接运行在浏览器上，它支持所有主流的浏览器（包括PhantomJS这些无界面的浏览器）。
Selenium 可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。

一、前期准备

1. 安装 scrapypip install scrapy
2. 安装 seleniumpip install selenium
3. 安装 mongodb 数据

二、思路与运行程序

1.思路

• 通过驱动 scrapy 来启动 selenium 打开浏览器来访问网址，获取数据，也可以通过此方法来获取被JS加密过的数据

2.运行程序

• 通过启动 amazonselenium 项目，来控制 selenium 来获取数据
• 保存到 mongodb 的数据

三、代码

1.代码下载

• https://github.com/ASL27/amazonselenium

2.部分代码

• amazon.pyclassAmazonSpider(scrapy.Spider): name ='amazon' allowed_domains =['www.amazon.cn'] start_urls =['http://www.amazon.cn/']# 负责生成url链接 defstart_requests(self):# https://www.amazon.cn/s?k=iPad&__mk_zh_CN=%E4%BA%9A%E9%A9%AC%E9%80%8A%E7%BD%91%E7%AB%99&crid=UH9JRIHEWIMZ&sprefix=ipad%2Caps%2C140&ref=nb_sb_noss_1 base_url ='https://www.amazon.cn/s?'# https://www.amazon.cn/s?k=ipad&page=2# data = {'k':'ipad', 'page': '1', 'crid': '31DTEW5X7KV5Q', 'qid': '1660806360', 'sprefix': 'ipad%2Caps%2C96', 'ref': 'sr_pg_1'} data ={'k':'ipad','page':'1'}for keyword in settings['KEYWORDS']: data['k']= keyword # data['sprefix'] = 'ipad%2Caps%2C96'for page inrange(1, settings['MAX_PAGE']+1):# data['qid'] = int(time.time()) data['page']=str(page)# data['ref'] = 'sr_pg_' + str(page)# 拼成链接 params = urlencode(data)if page >1: amazon_url = base_url + params else: amazon_url ='https://www.amazon.cn/s?k=ipad'print(amazon_url)yield scrapy.Request(url=amazon_url, callback=self.parse,dont_filter=True)# 负责获取数据defparse(self, response):for data in response.xpath('//*[@id="search"]/div[1]/div[1]/div/span[3]/div[2]/div'): images = data.re(r'<img class="s-image" src="(.*?)" srcset="" alt=".*?" data-image-index=".*?" data-image-load=.*?data-image-latency=.*?>') title = data.re(r'<span class="a-size-base-plus a-color-base a-text-normal">(.*?)</span>') price = data.re(r'<span class="a-offscreen">(¥.*?.\d{2})</span>') star = data.re(r'<span class="a-icon-alt">(\d.\d) 颗星，最多 5 颗星</span>')# <span class="a-icon-alt">3.5 颗星，最多 5 颗星</span># <span class="a-offscreen">¥266.78</span># <span class="a-size-base-plus a-color-base a-text-normal">OtterBox Pad Mini 5 代 TRUSTY 外壳 - YOYO</span> if images ==[]and title ==[]and price ==[]and star ==[]:continue item = AmazonseleniumItem() item['images']=''.join(images) item['title']=''.join(title) item['price']=''.join(price) item['star']=''.join(star)yield item # print(response.text)
• items.pyclassAmazonseleniumItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()# Mongdb与mysql的表名 collection = table ='amazon' images = scrapy.Field() title = scrapy.Field() price = scrapy.Field() star = scrapy.Field()
• middlewares.py 负责驱动selenium进行访问网址classSeleniumMiddleware:def__init__(self, timeout=None): self.option = ChromeOptions()# 开启 无头模式 self.timeout = timeout # self.option.add_argument('--headless') self.option.add_experimental_option('excludeSwitches',['enable-automation']) self.option.add_experimental_option('useAutomationExtension',False) self.browser = webdriver.Chrome(options=self.option) self.browser.set_page_load_timeout(self.timeout)# 设置超时 self.wait = WebDriverWait(self.browser, self.timeout) self.browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument',{'source':'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'})def__del__(self): self.browser.close()@classmethoddeffrom_crawler(cls, crawler):return cls(timeout=crawler.settings.get('SELENIUM_TIMEOUT'))# //*[@id="search"]/div[1]/div[1]/div/span[3]/div[2]/div[50]/div/div/span/span[1]/text()defprocess_request(self, request, spider):try: self.browser.get(request.url) self.wait.until(EC.presence_of_element_located((By.XPATH,'//*[@id="search"]'))) time.sleep(2)return HtmlResponse(url=request.url, body=self.browser.page_source, request=request, encoding='utf-8',status=200)except TimeoutException:return HtmlResponse(url=request.url, status=500, request=request)
• pipelines.py 负责将数据写入到Mongodb中classMongoPipeline:def__init__(self, mongo_uri, mongo_db): self.mongo_uri = mongo_uri self.mongo_db = mongo_db @classmethoddeffrom_crawler(cls, crawler):return cls( mongo_uri=crawler.settings.get('MONGO_URI'), mongo_db=crawler.settings.get('MONGO_DATABASE'))defopen_spider(self, spider): self.client = pymongo.MongoClient(self.mongo_uri) self.db = self.client[self.mongo_db]defclose_spider(self, spider): self.client.close()defprocess_item(self, item, spider):# scrapy通过itemadapter库支持以下类型的item：dictionaries、item object、dataclass object和attrs object# self.db[item.collection].insert_one(ItemAdapter(item).asdict())# 存在则更新，不存在则新建， self.db[item.collection].update_one({# 保证 数据 是唯一的'images': ItemAdapter(item).get('images')},{'$set': ItemAdapter(item)}, upsert=True)return item
• settings.pyDOWNLOADER_MIDDLEWARES ={'amazonselenium.middlewares.SeleniumMiddleware':543,# 'amazonselenium.middlewares.AmazonseleniumDownloaderMiddleware': 543,}ITEM_PIPELINES ={'amazonselenium.pipelines.MongoPipeline':300,}KEYWORDS =['iPad']MAX_PAGE =10SELENIUM_TIMEOUT =20MONGO_URI ='mongodb://192.168.27.101:27017'MONGO_DATABASE ='crawle_case'

总结

以上就是今天要讲的内容，本文仅仅介绍了Scrapy 驱动 selenium来获取数据，当selenium获取到页面代码时，我们需要的数据已经加载在页面代码中，再来获取数据已经是基础的东西了，难点在于驱动 selenium 访问网站。