Scrapy基于selenium结合爬取淘宝的实例讲解

Python  /  管理员 发布于 5年前   235

在对于淘宝，京东这类网站爬取数据时，通常直接使用发送请求拿回response数据，在解析获取想要的数据时比较难的，因为数据只有在浏览网页的时候才会动态加载，所以要想爬取淘宝京东上的数据，可以使用selenium来进行模拟操作

对于scrapy框架，下载器来说已经没多大用，因为获取的response源码里面没有想要的数据，因为没有加载出来，所以要在请求发给下载中间件的时候直接使用selenium对请求解析，获得完整response直接返回，不经过下载器下载，上代码

from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionsimport timefrom scrapy.http.response.html import HtmlResponsefrom scrapy.http.response.text import TextResponsefrom selenium.webdriver import ActionChains class TaobaoMiddleware(object):  #处理请求函数 def process_request(self,request,spider):  #声明一个Options对象  opt = Options()  #给对象添加一个--headless参数,表示无头启动  opt.add_argument('--headless')  #把配置参数应用到驱动创建的对象  driver = webdriver.Chrome(options=opt)  #打开requests中的地址  driver.get(request.url)   #让浏览器滚动到底部  for x in range(1,11):   j = x / 10   js = "document.documentElement.scrollTop = document.documentElement.scrollHeight*%f"%j   driver.execute_script(js)   #每次滚动等待0.5s   time.sleep(5)   #获取下一页按钮的标签  next_btn =driver.find_element_by_xpath('//span[contains(text(),"下一页")]')  #睡眠0.5秒  time.sleep(0.5)  #对下一页标签进行鼠标右键触发事件  ActionChains(driver).context_click(next_btn).click().perform()  # driver.save_screenshot('截图.png')  #把驱动对象获得的源码赋值给新变量  page_source = driver.page_source  #退出  driver.quit()   #根据网页源代码,创建Htmlresponse对象  response = HtmlResponse(url=request.url,body=page_source,encoding='utf-8',request=request)  #因为返回的是文本消息,所以需要指定字符编码格式   return response  def process_response(self,request,response,spider):   return response  def process_exception(self,request,exception,spider):  pass

以上这篇Scrapy基于selenium结合爬取淘宝的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。