Splash对接Scrapy
1. 安装Splash:
- 安装docker
- docker拉取Splash镜像:
docker pull scrapinghub/splash
- 启动Splash:
docker run -p 8050:8050 scrapinghub/splash
2. 安装并配置scrapy-splash:https://github.com/scrapy-plugins/scrapy-splash
在settings.py中增加:
SPLASH_URL = 'http://【Splash的部署地址】:8050/'
DOWNLOADER_MIDDLEWARES = {
'scrapy_splash.SplashCookiesMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
SPIDER_MIDDLEWARES = {
'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
3. Spider代码
编写Spider代码过程中,使用scrapy_splash调用Splash服务非常简单,scrapy_splash中定义了一个SplashRequest类,用户只需要使用scrapy_splash.SplashRequest(替代scrapy.Request)提交请求即可。下面是SplashRequest构造器方法中的一些常用参数。
- url:与scrapy.Request中的url相同,也就是待爬取页面的URL(注意,不是Splash服务器地址)
- headers:与scrapy.Request中的headers相同。
- cookies:与scrapy.Request中的cookies相同。
- args:传递给Splash的参数(除URL以外),如wait、timeout、images、js_source等。
- cache_args:如果args中的某些参数每次调用都重复传递并且数据量较大(例如一段JavaScript代码),此时可以把该参数名填入cache_args列表中,让Splash服务器缓存该参数,如(SplashRequest(url,args={'js_source':js, 'wait':0.5}, cache_args=['js_source']))。
- endpoint:Splash服务端点,默认为'render.html',即JavaScript页面渲染服务,该参数可以设置为'render.json'、'render.har'、'render.png'、'render.jpeg'、'execute'等,有些服务端点的功能我们没有讲解,详细内容可以查阅文档。
- splash_url:Splash服务器地址,默认为None,即使用配置文件中的SPLASH_URL的地址。
——参考:简书文章-Splash渲染引擎
用SplashRequest
代替scrapy.Request
,代码示例:
yield SplashRequest(url, self.parse_result, # 第一个参数是要请求的url,第二个参数是回调函数
args={ # 常用于传递Lua脚本
"lua_source": """
splash:set_user_agent("...")
splash.images_enabled = false --关闭图片渲染可以使请求速度加快50%左右
assert(splash:go(args.url))
assert(splash:wait(args.time)) --注意脚本中可以用args.*来接收外界参数
return {html = splash:html()} --返回html
"""
“time”: time # lua脚本参数从这里传入
},
endpoint='run', # 默认为render.html,这里常用’execute’ 或 ‘run’来执行脚本
)
完整Spider示例:
import scrapy
from scrapy_splash import SplashRequest
class ExampleSpider(scrapy.Spider):
name = 'connect_splash'
def start_requests(self):
url = 'http://www.baidu.com'
script = """
assert(splash:go(args.url))
assert(splash:wait(args.wait))
return {html = splash:html()}
"""
yield SplashRequest(url, self.parse, endpoint='run', args={'lua_source':script,'wait':3})
def parse(self, response):
from scrapy.shell import inspect_response
inspect_response(response, self)
pass
如果用execute的话,脚本里要加上mian函数,且args
前要加splash.
:
script = """
function main(splash)
assert(splash:go(splash.args.url))
assert(splash:wait(splash.args.wait))
return {html = splash:html()}
end
"""
yield SplashRequest(url, self.parse, endpoint='execute', args={'lua_source':script,'wait':3})
可以用这个网址来进行渲染测试:http://quotes.toscrape.com/js