python爬虫学习笔记(二十八)-Scrapy 框架 爬取JS生成的动态页面

问题

有的页面的很多部分都是用JS生成的，而对于用scrapy爬虫来说就是一个很大的问题，因为scrapy没有JS engine，所以爬取的都是静态页面，对于JS生成的动态页面都无法获得

官网http://splash.readthedocs.io/en/stable/

解决方案

• 利用第三方中间件来提供JS渲染服务： scrapy-splash 等
• 利用webkit或者基于webkit库

Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python实现的，同时使用Twisted和QT。Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力

安装

1. pip安装scrapy-splash库

 pip install scrapy-splash

2. scrapy-splash使用的是Splash HTTP API， 所以需要一个splash instance，一般采用docker运行splash，所以需要安装docker
3. 安装docker, 安装好后运行docker
4. 拉取镜像

 docker pull scrapinghub/splash

5. 用docker运行scrapinghub/splash

docker run -p 8050:8050 scrapinghub/splash

6. 配置splash服务（以下操作全部在settings.py）:

   1. 使用splash解析，要在配置文件中设置splash服务器地址：

   SPLASH_URL = 'http://192.168.99.100:8050/' 
   

   2. 将splash middleware添加到DOWNLOADER_MIDDLEWARE中

   DOWNLOADER_MIDDLEWARES = {
   'scrapy_splash.SplashCookiesMiddleware': 723,
   'scrapy_splash.SplashMiddleware': 725,
   'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
   }
   

   3. Enable SplashDeduplicateArgsMiddleware

   SPIDER_MIDDLEWARES = {
     'scrapy_splash.SplashDeduplicateArgsMiddleware': 100
   }
   

   这个中间件需要支持cache_args功能; 它允许通过不在磁盘请求队列中多次存储重复的Splash参数来节省磁盘空间。如果使用Splash 2.1+，则中间件也可以通过不将这些重复的参数多次发送到Splash服务器来节省网络流量

   4. 配置消息队列所使用的过滤类

   DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
   

   5. 配置消息队列需要使用的类

   HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
   

样例

import scrapy
from scrapy_splash import SplashRequest


class DoubanSpider(scrapy.Spider):
    name = 'douban'

    allowed_domains = ['douban.com']


def start_requests(self):
    yield SplashRequest('https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90', args={'wait': 0.5})


def parse(self, response):
    print(response.text)