Scrapy和Selenium整合（一文搞定）_scrapy selenium

---

前言

scrapy和selenium的整合使用
先定个小目标实现万物皆可爬！我们是用scrapy框架来快速爬取页面上的数据，它是自带并发的，速度是可以的。但是一些ajax异步的请求我们不能这么爬取。我们要视同selenium来进行lazy loading，也就是懒加载，渲染到页面加载数据。

---

一、开始准备

1. 包管理和安装chrome驱动

首先你要安装以下包：

pip install scrapy
pip install selenium == 3.0.0
pip install pymysql
pip install bs4
1
2
3
4

• selenium新版本有bug，用3.0的版本。
• chrome驱动的exe执行文件，放到你项目的根目录即可。下载地址：驱动

2. 爬虫项目的创建（举个栗子）

1. 创建项目

scrapy startproject cnki
1

2. 您爬取的目标网站

scrapy genspider cnki https://www.cnki.net
1

3. 运行爬虫

# 运行不导出（一般在pipelines做导出操作）
scrapy crawl cnki
# 针对不同的选择可以导出为xlsx、json等格式文件
scrapy crawl demo -o demo.csv
1
2
3
4

---

3. setting.py的配置

1. 配置数据源，如下：

DB_HOST = 'localhost'
DB_PORT = 3306
DB_USER = 'root'
DB_PASSWORD ='123456'
DB_DATABASE = 'spider'
1
2
3
4
5

1. 防止打印log日志信息

LOG_LEVEL = 'WARNING'
1

2. 配置USER_AGENT（浏览器控制台找一个）

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36
1

3. 配置DEFAULT_REQUEST_HEADERS（浏览器控制台找一个）

{
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36',
 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
 'Accept-Language': 'en',
}
1
2
3
4
5

4. 随机延迟

DOWNLOAD_DELAY = 3
RANDOMIZE_DOWNLOAD_DELAY=True
1
2

5. 中间件权重配置（这些中间件给他打开 并且按照项目实际需求配置权重，越小越先执行）

SPIDER_MIDDLEWARES # 蜘蛛中间件
DOWNLOADER_MIDDLEWARES # 下载中间件
ITEM_PIPELINES # 管道
1
2
3

二、代码演示

1. 主爬虫程序

1. 初始化selenium （如果您不需要selenium，可以忽略这个 ）

def __init__(self, *args,**kwargs):
    option = webdriver.ChromeOptions()  # 实例化一个浏览器对象
    option.add_argument('--headless')  # 添加参数，option可以是headless，--headless，-headless
    self.driver = webdriver.Chrome(options=option)  # 创建一个无头浏览器
    # self.driver = webdriver.Chrome()  # 创建一个无头浏览器
    time.sleep(3)
    super(CnkiSpider, self).__init__(*args, **kwargs)
    dispatcher.connect(self.close_driver,signals.spider_closed)
1
2
3
4
5
6
7
8

2. 定义开始请求页面
   下面我只放了一个url，其实可以定义一组的然后进行遍历（一般是分页url使用）
   还有cookie、代理也可以在这里配置，详情请看进去看源码（不过一般在中间件配置）

def start_requests(self):
    for url in self.start_urls:
    	yield scrapy.Request(
                # 这里可以设置多个页面，一般用于分页的
                url=url,
            )
1
2
3
4
5
6

3. 关闭selenium（一定要关掉）

def close_driver(self):
    print("爬虫正在退出，执行关闭浏览器哦")
    time.sleep(2)
    self.driver.quit()
1
2
3
4

4. 解析页面
   这里就不多说，八仙过海各显神通

def parse(self,response: HtmlResponse):
sel = Selector(response)
dds = sel.css('.journal > .main-w1 > dl > dd')
for dd in dds:
	title = dd.css('h6 > a::attr(title)').extract_first()
    link = dd.css('h6 > a::attr(href)').extract_first()
    link = response.urljoin(link)
    author = dd.css('.baseinfo > span > #author::attr(title)').extract_first()
    abstract = dd.css('.abstract::text').extract_first()
    count = dd.css('.opts > .opts-count > li > em::text').extract_first()
    count = int(count)
    date = dd.css('.opts > .opts-count > .date::text').extract_first()
    date = date.split('：')[1]
    date = datetime.datetime.strptime(date,"%Y-%m-%d")
    rc = Recommend()
    rc['title'] = title
    rc['link'] = link
    rc['author'] = author
    rc['abstract'] = abstract
    rc['count'] = count
    rc['date'] = date
    yield rc
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

这里要注意我们yield可以返回不仅是item，也可以是Request，进行页面详情的请求（套娃）

yield Request(
     url=link, # 这是上面页面上的链接，用来进一步请求
     callback=self.parse_detail, # 这是回调函数
     cb_kwargs={'item':rc} # 这是把上面的item传递下来
   )
1
2
3
4
5

2. 中间件的配置

1. 针对selenium
   没有selenium请忽略

class SeleniumDownloaderMiddleware:
    def process_request(self, request , spider):
        if spider.name == 'cnki':
            spider.driver.get(request.url)
            time.sleep(2)
            print(f"当前访问{request.url}")
            spider.driver.refresh()
            time.sleep(3)
            return HtmlResponse(url=spider.driver.current_url,body=spider.driver.page_source,encoding='utf-8')
1
2
3
4
5
6
7
8
9

2. SpiderMiddleware保持默认配置即可
3. DownloaderMiddleware可以配置cookie和代理之类的。如：

# 我自定义的解析cookie方法
def get_cookie_dict():
    cookie_str = 填上你的cookie
    cookie_dict = {}
    for item in cookie_str.split(';'):
        key, value = item.split('=',maxsplit=1)
        cookie_dict[key] = value
    return cookie_dict
COOKIES_DICT = get_cookie_dict()
1
2
3
4
5
6
7
8
9

	# 这是DownloaderMiddleware这是自带的方法哈
def process_request(self, request : Request, spider):
    request.cookies = COOKIES_DICT
    return None
1
2
3
4

3. 定义item对象

用来接受爬虫到的数据

class Recommend(scrapy.Item):
    title = scrapy.Field()
    author = scrapy.Field()
    abstract = scrapy.Field()
    link = scrapy.Field()
    count = scrapy.Field()
    date = scrapy.Field()
1
2
3
4
5
6
7

4. 定义管道

实现对数据库的导入（你也可以写excel的）

class RecommendPipeline:
    @classmethod
    def from_crawler(cls, crawler: Crawler):
        host = crawler.settings['DB_HOST']
        port = crawler.settings['DB_PORT']
        username = crawler.settings['DB_USER']
        password = crawler.settings['DB_PASSWORD']
        database = crawler.settings['DB_DATABASE']
        return cls(host, port, username, password, database)

    def __init__(self, host, port, username, password, database):
        # 1、与数据库建立连接
        self.conn = pymysql.connect(host=host, port=port, user=username, password=password, database=database,
                                    charset='utf8mb4')
        # 2、创建游标
        self.cursor = self.conn.cursor()

        # 3、批处理需要的容器
        self.data = []

    def process_item(self, item, spider):
        title = item.get('title', '')
        author = item.get('author', '')
        abstract = item.get('abstract', '')
        link = item.get('link', '')
        count = item.get('count', '')
        date = item.get('date', '')
        # 如果要实现批处理：
        self.data.append((title,author,abstract,link,count,date))
        # 如果存够了10条就进数据库
        if len(self.data) == 10:
            self._to_write_db()
            # 然后再清空
            self.data.clear()
        return item

    def close_spider(self, spider):
        # 如果最后不满足10条
        if len(self.data) > 0:
            self._to_write_db()
        self.conn.close()

    def _to_write_db(self):
        # 作为一个实时的推荐，我希望将查到的数据作为一个temp
        # 'delete from tb_recommend where 1 = 1' 删除满，并且主键自增不会从1开始
        self.cursor.execute(
            'truncate table tb_recommend'
        )
        self.cursor.executemany(
            'insert into tb_recommend (title,author,abstract,link,count,date) values (%s, %s, %s, %s, %s, %s)',
            self.data
        )
        self.conn.commit()
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
48
49
50
51
52
53

记得写入setting.py，设置其权重。
*接下来您就可以按照这种方法‘愉’ ‘快’的进行爬虫啦！！！ *

总结

这是scrapy和selenium的具体整合使用，scrapy框架的内容还有很多方法还没用到，都有待开发。其次就是selenium的填充之类的操作还没有使用，还需要去复习selenium的api。