第八天，scrapy的几个小技巧

 

一. 微博模拟登陆

1. 百度搜微博开放平台可满足爬取量不大的情况

2. 微博模拟登陆和下拉鼠标应对ajax加载

from selenium import webdriver
import time
 
browser = webdriver.Chrome()
browser.get('https://www.weibo.com')
time.sleep(10)
browser.find_element_by_css_selector("#loginname").send_keys("13880576568")
browser.find_element_by_css_selector(".info_list.password input[node-type='password']").send_keys("shiyan823")
browser.find_element_by_css_selector(".info_list.login_btn a[node-type='submitBtn']").click()
 
# 鼠标下拉
for i in range(3):
    browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
    time.sleep(3)

 

 

 

 

 

二. chromedriver不加载图片

from selenium import webdriver
 
chrome_opt = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_settings.images": 2}
chrome_opt.add_experimental_option("prefs", prefs)
browser = webdriver.Chrome(chrome_options=chrome_opt)
browser.get("https://www.taobao.com")

 

 

 

 

三. 把selenium集成到scrapy中

以伯乐在线为例子

1. jobbole.py->JobboleSpider类中添加如下代码，引入了信号量

from scrapy.xlib.pydispatch import dispatcher
from scrapy import signals
from selenium import webdriver
 
def __init__(self):
    self.browser = webdriver.Chrome()
    super().__init__()
    dispatcher.connect(self.spider_closed, signals.spider_closed)
 
def spider_closed(self, spider):
    #当爬虫退出的时候关闭chrome
    print ("spider closed")
    self.browser.quit()

 

 

2. middleware.py中添加

 

from selenium import webdriver
from scrapy.http import HtmlResponse
 
class JSPageMiddleware(object):
    #通过chrome请求动态网页
    def process_request(self, request, spider):
        if spider.name == "jobbole":
            # browser = webdriver.Chrome()
            spider.browser.get(request.url)
            import time
            time.sleep(3)
            print ("访问:{0}".format(request.url))
 
            return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source, encoding="utf-8", request=request)

 

 

 

3. 修改settings.py中的DOWNLOADER_MIDDLEWARES

'Article.middlewares.JSPageMiddleware': 1,

 

 

 

四. 无界面chrome运行

linux下运行

pip install pyvirtualdisplay
pip install xvfbwrapper
apt-get install xvfb
 
from pyvirtualdisplay import Display
display = Display(visible=0, size=(800,600)
display.start()
browser = webdirver.Chrome()
browser.get()

 

scrapy下无界面方式: scrapy-splash

 

 

 

 

五. scrapy的暂停和重启

 

以拉钩网为例，测试暂停和重启

1. 在项目目录先新建文件夹job_info，和scrapy.cfg同级

2. 在cmd命令行中，进入项目所在目录，执行如下代码

scrapy crawl  lagou -s JOBDIR=job_info/001

3. 按一次ctrl +c ，还会自动执行一些后续命令，等它处理完

4. 同样运行scrapy crawl lagou -s JOBDIR=job_info/001，完成重启。接着之前的继续运行

5. 如果想重头爬scrapy crawl lagou -s JOBDIR=job_info/002

6. 按两次ctrl + c是立刻中断

 

 

 

六. scrapy url去重原理

以伯乐在线为例，首先注释掉之前设置的对接selenium，包括DOWNLOAD_MIDDLEWARES和jobbole.py中的相关代码

 

默认去重源码在dupefilters.py中

 

 

 

七. scrapy telnet服务

爬虫运行时，会启动一个telent服务，端口一般为6023

在控制面板->程序->启动或关闭windows功能中开启telnet

可在cmd中输入telnet localhost 6023即可连上telnet

telnet相关操作命令

1)输入est（）可查看爬虫状态

2) 获取settings中的值 settings["COOKIES_ENABLED"]