Python教程之scrapy中selenium的应用！

　　在通过scrapy框架进行某些网站数据爬取的教程时候，往往会碰到页面动态数据加载的教程情况发生，如果直接使用scrapy对其url发请求，教程是教程绝对获取不到那部分动态加载出来的数据值。但是教程通过观察我们会发现，通过浏览器进行url请求发送则会加载出对应的教程动态加载出的数据。那么如果我们想要在scrapy也获取动态加载出的教程数据，则必须使用selenium创建浏览器对象，教程然后通过该浏览器对象进行请求发送，教程获取动态加载的教程数据值。

　　1.案例分析：

　　需求：爬取网易新闻的教程国内板块下的新闻数据

　　需求分析：当点击国内超链进入国内对应的页面时，会发现当前页面展示的教程新闻数据是被动态加载出来的，如果直接通过程序对url进行请求，教程是教程获取不到动态加载出的WordPress模板新闻数据的。则就需要我们使用selenium实例化一个浏览器对象，教程在该对象中进行url的请求，获取动态加载的新闻数据。

　　2.selenium在scrapy中使用的原理分析：

　　当引擎将国内板块url对应的请求提交给下载器后，下载器进行网页数据的下载，然后将下载到的页面数据，封装到response中，提交给引擎，引擎将response在转交给Spiders。Spiders接受到的response对象中存储的页面数据里是没有动态加载的新闻数据的。要想获取动态加载的新闻数据，则需要在下载中间件中对下载器提交给引擎的response响应对象进行拦截，切对其内部存储的页面数据进行篡改，站群服务器修改成携带了动态加载出的新闻数据，然后将被篡改的response对象最终交给Spiders进行解析操作。

　　3.selenium在scrapy中的使用流程：

　　重写爬虫文件的构造方法，在该方法中使用selenium实例化一个浏览器对象(因为浏览器对象只需要被实例化一次)

　　重写爬虫文件的closed(self,spider)方法，在其内部关闭浏览器对象。该方法是在爬虫结束时被调用

　　重写下载中间件的process_response方法，让该方法对响应对象进行拦截，并篡改response中存储的页面数据

　　在配置文件中开启下载中间件

　　4.代码展示：

　　爬虫文件：

class WangyiSpider(RedisSpider): name = wangyi #allowed_domains = [www.xxxx.com] start_urls = [https://news.163.com] def __init__(self): #实例化一个浏览器对象(实例化一次) self.bro = webdriver.Chrome(executable_path=/Users/bobo/Desktop/chromedriver) #必须在整个爬虫结束后，关闭浏览器 def closed(self,spider): print(爬虫结束) self.bro.quit()

　　中间件文件：

from scrapy.http import HtmlResponse #参数介绍： #拦截到响应对象（下载器传递给Spider的响应对象） #request：响应对象对应的请求对象 #response：拦截到的响应对象 #spider：爬虫文件中对应的爬虫类的实例 def process_response(self, request, response, spider): #响应对象中存储页面数据的篡改 if request.url in[http://news.163.com/domestic/,http://news.163.com/world/,http://news.163.com/air/,http://war.163.com/]: spider.bro.get(url=request.url) js = window.scrollTo(0,document.body.scrollHeight) spider.bro.execute_script(js) time.sleep(2) #一定要给与浏览器一定的缓冲加载数据的时间 #页面数据就是包含了动态加载出来的新闻数据对应的页面数据 page_text = spider.bro.page_source #篡改响应对象 return HtmlResponse(url=spider.bro.current_url,body=page_text,encoding=utf-8,request=request) else: return response

　　配置文件：

DOWNLOADER_MIDDLEWARES = { wangyiPro.middlewares.WangyiproDownloaderMiddleware: 543, }

本文地址：http://www.bzve.cn/news/605c1799377.html