深度剖析Selenium与Scrapy的黄金组合：实现动态网页爬虫_scrapy selenium

在当今互联网时代，大量网站采用动态网页技术呈现信息，这给爬虫技术提出了新的挑战。本文将带您深入探讨如何应对动态网页的爬取难题，结合Python爬虫框架Scrapy和自动化测试工具Selenium进行实战，为您揭示动态网页爬取的技术奥秘。

动态网页与传统爬虫的对比

传统爬虫主要通过直接请求页面获取静态源代码，但动态网页通过JavaScript等技术在浏览器中进行数据加载，导致源代码不完整。解决这一问题的利器是结合Scrapy和Selenium，使我们能够模拟浏览器操作，获取完整渲染后的页面数据。

Scrapy与Selenium的黄金组合

Scrapy是Python中强大的爬虫框架，拥有强大的页面解析和异步处理功能。结合Selenium，我们能够模拟用户在浏览器中的交互，获取动态加载后的页面内容。这两者的协同工作，为动态网页爬取提供了一种高效可行的解决方案。

实战经验总结

在实际应用中，首先确保Scrapy和Selenium已正确安装，并配置好ChromeDriver等必要工具。接着，创建Scrapy项目，添加Selenium中间件，进而实现动态网页的爬取。

具体实现过程

Selenium中间件：穿越动态网页的障碍

在middlewares.py文件中，我们设置了Selenium的中间件，为Scrapy赋予了穿越动态网页障碍的能力。这段代码展示了如何利用Selenium模拟浏览器操作，获取完整渲染后的页面数据。让我们逐步解析这个神奇的中间件。

# 在middlewares.py文件中设置Selenium的中间件
from scrapy import signals
from scrapy.http import HtmlResponse
from selenium import webdriver

class SeleniumMiddleware:
    @classmethod
    def from_crawler(cls, crawler):
        middleware = cls()
        crawler.signals.connect(middleware.spider_opened, signals.spider_opened)
        return middleware

    def process_request(self, request, spider):
        driver = webdriver.Chrome()
        driver.get(request.url)
        body = driver.page_source
        return HtmlResponse(driver.current_url, body=body, encoding='utf-8', request=request)

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

• process_request方法中，我们创建了一个Chrome浏览器的实例，加载目标网页，获取完整的页面源代码，然后封装成HtmlResponse对象返回给Scrapy。
• spider_opened方法用于在Spider启动时输出一条日志信息，以便我们追踪Spider的运行情况。

动态网页爬虫：解析并收割信息的艺术

动态网页爬虫的代码段展示了如何创建一个名为dynamic_spider.py的文件，实现基于Scrapy框架的动态网页爬取。这个Spider将从’example.com’开始，通过XPath表达式解析页面，提取标题和内容，并将结果保存在指定的item中。

import scrapy
from scrapy.http import Request
from dynamic_spider.items import DynamicSpiderItem

class DynamicSpider(scrapy.Spider):
    name = 'dynamic_spider'
    start_urls = ['http://example.com']

    def start_requests(self):
        proxyHost = "www.16yun.cn"
        proxyPort = "5445"
        proxyUser = "16QMSOML"
        proxyPass = "280651"

        proxy_url = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
        yield Request(self.start_urls[0], callback=self.parse, meta={'proxy': proxy_url})

    def parse(self, response):
        item = DynamicSpiderItem()
        item['title'] = response.xpath('//h1/text()').get()
        item['content'] = response.xpath('//p/text()').get()
        yield item

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

• parse方法中，我们使用XPath表达式提取了目标网页中的标题和内容，然后将结果封装成一个item，并通过yield语句传递给Scrapy框架。

实际应用：将代码放置于Scrapy项目中

在实际应用中，将上述两段代码分别放置在Scrapy项目的middlewares.py和spiders文件夹下的dynamic_spider.py文件中，即可运行动态网页爬虫。

5. 性能优化与注意事项

• 设置合理的爬取速度控制爬取速度，避免对目标网站造成不必要的负担，同时可以设置随机的User-Agent来模拟不同用户的访问。
• 处理动态加载的数据使用Selenium等待特定的元素加载完成，确保数据完全呈现在页面上再进行提取。
• 应对反爬手段一些网站采用反爬虫技术，通过设置User-Agent、Cookie等信息来检测爬虫行为，需要在爬虫中模拟真实用户的访问行为。

---------------------------END---------------------------

题外话

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。