系列文章目录
实战使用scrapy与selenium来爬取数据
文章目录
- 系列文章目录
- 前言
- 一、前期准备
- 二、思路与运行程序
- 1.思路
- 2.运行程序
- 三、代码
- 1.代码下载
- 2.部分代码
- 总结
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
- 安装 scrapy
pip install scrapy- 安装 selenium
pip install selenium- 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
2.部分代码
- amazon.py
class AmazonSpider(scrapy.Spider):
name = 'amazon'
allowed_domains = ['www.amazon.cn']
start_urls = ['http://www.amazon.cn/']
# 负责生成url链接
def start_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 in range(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
def parse(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.py
class AmazonseleniumItem(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
class SeleniumMiddleware:
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()
@classmethod
def from_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()
def process_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
class MongoPipeline:
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DATABASE')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def close_spider(self, spider):
self.client.close()
def process_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.py
DOWNLOADER_MIDDLEWARES = {
'amazonselenium.middlewares.SeleniumMiddleware': 543,
# 'amazonselenium.middlewares.AmazonseleniumDownloaderMiddleware': 543,
}
ITEM_PIPELINES = {
'amazonselenium.pipelines.MongoPipeline': 300,
}
KEYWORDS = ['iPad']
MAX_PAGE = 10
SELENIUM_TIMEOUT = 20
MONGO_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。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
