scrapy 结合selenium

结合selenium

原理：
scrapy框架只能爬取静态网站。如需爬取动态网站，需要结合着selenium进行js的渲染，才能获取到动态加载的数据。
如何通过selenium请求url，而不再通过下载器Downloader去请求这个url?

方法：
在request对象通过中间件的时候，在中间件内部开始使用selenium去请求url，并且会得到url对应的源码，
然后再将源代码通过response对象返回，直接交给process_response()进行处理，再交给引擎。
过程中相当于后续中间件的process_request()以及Downloader都跳过了。

确保python环境中有phantomJS（无头浏览器）？？？


如果操作：
对于selenium的主要操作是下载中间件部分：
Middleware -- ScrapyDemo1DownloaderMiddleware -- def process_request()

from scrapy import signals
from selenium import webdriver
from selenium.webdriver import FirefoxOptions
from scrapy.http import HtmlResponse, Response
import time
*********************下面是相应是自定义的下载中间件的替换代码**************************
class SeleniumTaobaoDownloaderMiddleware(object):
 # 将driver创建在中间件的初始化方法中，适合项目中只有一个爬虫。
 # 爬虫项目中有多个爬虫文件的话，将driver对象的创建放在每一个爬虫文件中。
 # def __init__(self):
 #  # 在scrapy中创建driver对象，尽可能少的创建该对象。
 #  # 1. 在初始化方法中创建driver对象；
 #  # 2. 在open_spider中创建deriver对象；
 #  # 3. 不要将driver对象的创建放在process_request()；
 #  option = FirefoxOptions()
 #  option.headless = True
 #  self.driver = webdriver.Firefox(options=option)
 
 # 参数spider就是TaobaoSpider()类的对象
 def process_request(self, request, spider):
  if spider.name == "taobao":
   spider.driver.get(request.url)
   # 由于淘宝的页面数据加载需要进行滚动，但并不是所有js动态数据都需要滚动。
   for x in range(1, 11, 2):
    height = float(x) / 10
    js = "document.documentElement.scrollTop = document.documentElement.scrollHeight * %f" % height
    spider.driver.execute_script(js)
    time.sleep(0.2)
 
   origin_code = spider.driver.page_source
   # 将源代码构造成为一个Response对象，并返回。
   res = HtmlResponse(url=request.url, encoding='utf8', body=origin_code, request=request)
   # res = Response(url=request.url, body=bytes(origin_code), request=request)
   return res
  if spider.name == 'bole':
   request.cookies = {}
   request.headers.setDefault('User-Agent','')
  return None
 
 def process_response(self, request, response, spider):
  print(response.url, response.status)
  return response

爬虫部分：
import scrapy
from selenium import webdriver
from selenium.webdriver import FirefoxOptions
 
 
class TaobaoSpider(scrapy.Spider):
 """
 scrapy框架只能爬取静态网站。如需爬取动态网站，需要结合着selenium进行js的渲染，才能获取到动态加载的数据。
 
 如何通过selenium请求url，而不再通过下载器Downloader去请求这个url?
 方法：在request对象通过中间件的时候，在中间件内部开始使用selenium去请求url，并且会得到url对应的源码，然后再将源代码通过response对象返回，直接交给process_response()进行处理，再交给引擎。过程中相当于后续中间件的process_request()以及Downloader都跳过了。
 
 """
 name = 'taobao'
 allowed_domains = ['taobao.com']
 start_urls = ['https://s.taobao.com/search?q=%E7%AC%94%E8%AE%B0%E6%9C%AC%E7%94%B5%E8%84%91&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306']
  
 def __init__(self):
  # 在初始化淘宝对象时，创建driver
  super(TaobaoSpider, self).__init__(name='taobao')
  option = FirefoxOptions()
  option.headless = True
  self.driver = webdriver.Firefox(options=option)
 
 def parse(self, response):
  """
  提取列表页的商品标题和价格
  :param response:
  :return:
  """
  info_divs = response.xpath('//div[@class="info-cont"]')
  print(len(info_divs))
  for div in info_divs:
   title = div.xpath('.//a[@class="product-title"]/@title').extract_first('')
   price = div.xpath('.//span[contains(@class, "g_price")]/strong/text()').extract_first('')
   print(title, price)

setting文件
把自定义的中间件打开，

注意：
关于代码中提到的初始化driver的位置有以下两种情况：
1、只存在一个爬虫文件的话，driver初始化函数可以定义在middlewares.py的自定义中间件中（如上述代码注释初始化部分）
也可以在爬虫文件中自定义（如上述代码在爬虫文件中初始化）。
注意：如果只有一个爬虫文件就不需要在自定义的process_requsests中判断是哪一个爬虫项目然后分别请求！

2、如果存在两个或两个以上爬虫文件的时候，
需要将driver的初始化函数定义在各自的爬虫项目文件下（如上述代码），同时需要在process_requsests判断是那个爬虫项目的请求！！
这一点很重要
并且要注意初始化项目的名称！！
super(TaobaoSpider, self).__init__(name='taobao')
 def __init__(self):
  # 在初始化淘宝对象时，创建driver
  super(TaobaoSpider, self).__init__(name='taobao')
  option = FirefoxOptions()
  option.headless = True
  self.driver = webdriver.Firefox(options=option)


# 整个爬虫结束后关闭浏览器
def close(self,spider):
    self.browser.quit()
 

2 使用流程
　　1 重写爬虫文件的__init__()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）.
　　2 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.
　　3 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.
　　4 在settings配置文件中开启下载中间件

还可以再下载中间件处理异常：
# 请求出错了的操作, 比如ip被封了,可以在这里设置ip代理
def process_exception(self, request, exception, spider):
    print("添加代理开始")
    ret_proxy = get_proxy()
    request.meta["proxy"] = ret_proxy
    print("为%s添加代理%s" %(request.url,ret_proxy), end="")
    return None

还可以再下载中间件处理响应：
def process_response(self, request, response, spider):
    """
    三个参数:
    # request: 响应对象所对应的请求对象
    # response: 拦截到的响应对象
    # spider: 爬虫文件中对应的爬虫类 WangyiSpider 的实例对象, 可以通过这个参数拿到 WangyiSpider 中的一些属性或方法
    """

    #  对页面响应体数据的篡改, 如果是每个模块的 url 请求, 则处理完数据并进行封装
    if request.url in ["http://news.163.com/domestic/","http://war.163.com/","http://news.163.com/world/","http://news.163.com/air/"]:
        spider.browser.get(url=request.url)
        # more_btn = spider.browser.find_element_by_class_name("post_addmore")     # 更多按钮
        # print(more_btn)
        js = "window.scrollTo(0,document.body.scrollHeight)"
        spider.browser.execute_script(js)
        # if more_btn and request.url == "http://news.163.com/domestic/":
        #     more_btn.click()
        time.sleep(1)     # 等待加载,  可以用显示等待来优化.
        row_response= spider.browser.page_source
        return HtmlResponse(url=spider.browser.current_url,body=row_response,encoding="utf8",request=request)   # 参数url指当前浏览器访问的url(通过current_url方法获取), 在这里参数url也可以用request.url
                                                                                                                 # 参数body指要封装成符合HTTP协议的源数据, 后两个参数可有可无
    else:
        return response    # 是原来的主页的响应对象
ps 看起来selenium的渲染处理，放在request和response都是可以的，但是我还是倾向于request，好理解，

     
还可以在中间件增加请求头，
# 可以拦截到request请求
def process_request(self, request, spider):
    # 在进行url访问之前可以进行的操作, 更换UA请求头, 使用其他代理等
    pass



from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware   

user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

class RandomUserAgent(UserAgentMiddleware):    # 如何运行此中间件? settings 直接添加就OK
    def process_request(self, request, spider):
        ua = random.choice(user_agent_list)
        # 在请求头里设置ua
        request.headers.setdefault("User-Agent",ua)
        
settings配置文件中: 
DOWNLOADER_MIDDLEWARES = {
   'WangYiPro.middlewares.WangyiproDownloaderMiddleware': 543,
   'WangYiPro.middlewares.RandomUserAgent': 542,
}