Python爬虫实战使用scrapy与selenium来爬取数据_scrapy和selenium爬取网页哪个好

系列文章目录

实战使用scrapy与selenium来爬取数据

---

---

前言

当学会使用Scrapy 和 Selenium后的那就试试通过Scrapy 驱动 Selenium来获取数据，可以绕过JS解密的耗时，缺点是可能爬取数据的速度会变慢慢。
Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。
Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，类型像我们玩游戏用的按键精灵，可以按指定的命令自动操作，不同是Selenium 可以直接运行在浏览器上，它支持所有主流的浏览器（包括PhantomJS这些无界面的浏览器）。
Selenium 可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。

---

一、前期准备

1. 安装 scrapy

   pip install scrapy
   1

2. 安装 selenium

   pip install selenium
   1

3. 安装 mongodb 数据

二、思路与运行程序

1.思路

• 通过驱动 scrapy 来启动 selenium 打开浏览器来访问网址，获取数据，也可以通过此方法来获取被JS加密过的数据

2.运行程序

• 通过启动 amazonselenium 项目，来控制 selenium 来获取数据
  
• 保存到 mongodb 的数据

三、代码

1.代码下载

• https://github.com/ASL27/amazonselenium

2.部分代码

• amazon.py

  class AmazonSpider(scrapy.Spider):
      name = 'amazon'
      allowed_domains = ['www.amazon.cn']
      start_urls = ['http://www.amazon.cn/']
      # 负责生成url链接 
      def start_requests(self):
          # https://www.amazon.cn/s?k=iPad&__mk_zh_CN=%E4%BA%9A%E9%A9%AC%E9%80%8A%E7%BD%91%E7%AB%99&crid=UH9JRIHEWIMZ&sprefix=ipad%2Caps%2C140&ref=nb_sb_noss_1
          base_url = 'https://www.amazon.cn/s?'
          # https://www.amazon.cn/s?k=ipad&page=2
          # data = {'k':'ipad', 'page': '1', 'crid': '31DTEW5X7KV5Q', 'qid': '1660806360', 'sprefix': 'ipad%2Caps%2C96', 'ref': 'sr_pg_1'}
          data = {'k':'ipad', 'page': '1'}
          for keyword in settings['KEYWORDS']:
              data['k'] = keyword
              # data['sprefix'] = 'ipad%2Caps%2C96'
              for page in range(1, settings['MAX_PAGE'] + 1):
                  # data['qid'] = int(time.time())
                  data['page'] = str(page)
                  # data['ref'] = 'sr_pg_' + str(page)
                  # 拼成链接
                  params = urlencode(data)
                  if page > 1:
                      amazon_url = base_url + params
                  else:
                      amazon_url = 'https://www.amazon.cn/s?k=ipad'
                  print(amazon_url)
                  yield scrapy.Request(url=amazon_url, callback=self.parse,dont_filter=True)
  		# 负责获取数据
      def parse(self, response):
  
          for data in response.xpath('//*[@id="search"]/div[1]/div[1]/div/span[3]/div[2]/div'):
              images = data.re(r'<img class="s-image" src="(.*?)" srcset="" alt=".*?" data-image-index=".*?" data-image-load=.*?data-image-latency=.*?>')
              title = data.re(r'<span class="a-size-base-plus a-color-base a-text-normal">(.*?)</span>')
              price = data.re(r'<span class="a-offscreen">(¥.*?.\d{2})</span>')
              star = data.re(r'<span class="a-icon-alt">(\d.\d) 颗星，最多 5 颗星</span>')
              # <span class="a-icon-alt">3.5 颗星，最多 5 颗星</span>
              # <span class="a-offscreen">¥266.78</span>
              # <span class="a-size-base-plus a-color-base a-text-normal">OtterBox Pad Mini 5 代 TRUSTY 外壳 - YOYO</span>          
              if images ==[] and title ==[] and price  ==[] and  star ==[]:
                  continue
              item = AmazonseleniumItem()
              
              item['images'] = ''.join(images)
              item['title'] = ''.join(title)
              item['price'] = ''.join(price)
              item['star'] = ''.join(star)
              yield item
          # print(response.text)
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46
  47

• items.py

  class AmazonseleniumItem(scrapy.Item):
      # define the fields for your item here like:
      # name = scrapy.Field()
      # Mongdb与mysql的表名
      collection = table = 'amazon'
      images = scrapy.Field()
      title = scrapy.Field()
      price = scrapy.Field()
      star = scrapy.Field()
  1
  2
  3
  4
  5
  6
  7
  8
  9

• middlewares.py
  负责驱动selenium进行访问网址

  class SeleniumMiddleware:
      def __init__(self, timeout=None):
          self.option = ChromeOptions()
          # 开启 无头模式
          self.timeout = timeout
          # self.option.add_argument('--headless')
          self.option.add_experimental_option('excludeSwitches', ['enable-automation'])
          self.option.add_experimental_option('useAutomationExtension', False)
          self.browser = webdriver.Chrome(options=self.option)
          self.browser.set_page_load_timeout(self.timeout)
          # 设置超时
          self.wait = WebDriverWait(self.browser, self.timeout)
          self.browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
              'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
          })
          
      def __del__(self):
          self.browser.close()
  
      @classmethod
      def from_crawler(cls, crawler):
          return cls(timeout=crawler.settings.get('SELENIUM_TIMEOUT'))
  	# //*[@id="search"]/div[1]/div[1]/div/span[3]/div[2]/div[50]/div/div/span/span[1]/text()
      def process_request(self, request, spider):
          try:
              self.browser.get(request.url)
              self.wait.until(EC.presence_of_element_located((By.XPATH, '//*[@id="search"]')))
              time.sleep(2)
              return HtmlResponse(url=request.url, body=self.browser.page_source, request=request, encoding='utf-8',status=200)
          except TimeoutException:
              return HtmlResponse(url=request.url, status=500, request=request)
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31

• pipelines.py
  负责将数据写入到Mongodb中

  class MongoPipeline:
  
      def __init__(self, mongo_uri, mongo_db):
          self.mongo_uri = mongo_uri
          self.mongo_db = mongo_db
  
      @classmethod
      def from_crawler(cls, crawler):
          return cls(
              mongo_uri=crawler.settings.get('MONGO_URI'),
              mongo_db=crawler.settings.get('MONGO_DATABASE')
          )
  
      def open_spider(self, spider):
          self.client = pymongo.MongoClient(self.mongo_uri)
          self.db = self.client[self.mongo_db]
  
      def close_spider(self, spider):
          self.client.close()
  
      def process_item(self, item, spider):
          # scrapy通过itemadapter库支持以下类型的item：dictionaries、item object、dataclass object和attrs object
          # self.db[item.collection].insert_one(ItemAdapter(item).asdict())
          # 存在则更新，不存在则新建，
          self.db[item.collection].update_one({
              # 保证 数据 是唯一的
              'images': ItemAdapter(item).get('images')
          }, {
              '$set': ItemAdapter(item)
          }, upsert=True)
          return item
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31

• settings.py

  DOWNLOADER_MIDDLEWARES = {
      'amazonselenium.middlewares.SeleniumMiddleware': 543,
  	#    'amazonselenium.middlewares.AmazonseleniumDownloaderMiddleware': 543,
  }
  ITEM_PIPELINES = {
  'amazonselenium.pipelines.MongoPipeline': 300,
  }
  KEYWORDS = ['iPad']
  MAX_PAGE = 10
  SELENIUM_TIMEOUT = 20
  
  MONGO_URI = 'mongodb://192.168.27.101:27017'
  MONGO_DATABASE = 'crawle_case'
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13

---

总结

以上就是今天要讲的内容，本文仅仅介绍了Scrapy 驱动 selenium来获取数据，当selenium获取到页面代码时，我们需要的数据已经加载在页面代码中，再来获取数据已经是基础的东西了，难点在于驱动 selenium 访问网站。