Scrapy是Python优秀的爬虫框架，selenium是非常好用的自动化WEB测试工具，两者结合可以非常容易对动态网页进行爬虫。
本文的需求是抓取UC头条各个板块的内容。UC头条(https://news.uc.cn/ )网站没有提供搜索入口，只能每个板块的首页向下滚动鼠标加载更多。要对这样的网站进行检索，抓取其内容，采用一般的scrapy请求方式，每次只能获取最新的10条数据，分析其JS请求，发现参数过于复杂，没有规律。如果想获取更多数据，则需要采用模拟浏览器的方法，这时候selenium就派上用场了。
1，定义spider
模拟从百度搜索进入，这个步骤可以省略，主要为了跳到parse函数
class UCTouTiaoSpider(VideoBaseSpider):
name = "uctoutiao_spider"
df_keys = ['人物', '百科', '乌镇']
def __init__(self, scrapy_task_id=None, *args, **kwargs):
self.url_src = "http://www.baidu.com"
def start_requests(self):
requests = []
request = scrapy.Request("http://www.baidu.com", callback=self.parse)
requests.append(request)
return requests
2，parse函数
def parse(self, response):
self.log(response.url)
urls = ["https://news.uc.cn/",
"https://news.uc.cn/c_redian/",
# "https://news.uc.cn/c_shipin/",
# "https://news.uc.cn/c_gaoxiao/",
"https://news.uc.cn/c_shehui/",
"https://news.uc.cn/c_yule/",
"https://news.uc.cn/c_keji/",
"https://news.uc.cn/c_tiyu/",
"https://news.uc.cn/c_qiche/",
"https://news.uc.cn/c_caijing/",
"https://news.uc.cn/c_junshi/",
"https://news.uc.cn/c_tansuo/",
"https://news.uc.cn/c_lishi/",
"https://news.uc.cn/c_youxi/",
"https://news.uc.cn/c_lvyou/",
"https://news.uc.cn/news/",
"https://news.uc.cn/c_shishang/",
"https://news.uc.cn/c_jiankang/",
"https://news.uc.cn/c_guoji/",
"https://news.uc.cn/c_yuer/",
"https://news.uc.cn/c_meishi/"]
# 启动浏览器，这里用的火狐，如果在linux环境下可以用PhantomJS，稳定性稍微差点，有内存泄露的风险。
driver = webdriver.Firefox()
for url in urls:
try:
print(url)
driver.get(url)
#模拟鼠标滚到底部(加载100条数据)
for _ in range(10):
driver.execute_script("window.scrollTo(0, document.body.scrollHeight)")
driver.implicitly_wait(10) # 隐性等待,最长10秒
# print driver.page_source
soup = bs(driver.page_source, 'lxml')
articles = soup.find_all(href=re.compile("/a_\w+?/"), text=re.compile(".+"))
for article in articles:
for key in self.df_keys:
item = VideoItem() #自定义的Item
item['title'] = article.text
item['href'] = article['href']
self.log(item)
yield item
except Exception as e:
print e
if driver == None:
driver = webdriver.Firefox()
if driver != None:
driver.quit()
真正的实现部分比较简单，几句代码就搞定了。
附：
selenium使用实例
1，切换焦点至新窗口
在页面上点击一个button, 然后打开了一个新的window, 将当前IWebDriver的focus切换到新window，使用IWebDriver.SwitchTo().Window(string windowName)。
例如， 我点击按钮以后弹出一个名字叫做"Content Display"的window， 要切换焦点到新窗口的方法是， 首先，获得新window的window name, 大家不要误以为page tile就是window name 哦， 如果你使用driver.SwitchTo().Window("Content Display")是找不到window name 叫做"Content Display"的窗口的， 其实Window Name 是一长串数字，类似“59790103-4e06-4433-97a9-b6e519a84fd0”。
要正确切换到"Content Display"的方法是：
获得当前所有的WindowHandles。
循环遍历到所有的window, 查找window.title与"Content Display"相符的window返回。
for handle in dr.window_handles:
dr.switch_to.window(handle)
print dr.title
if len(dr.title) == '目标窗口标题':
break
2 ，移至底部
driver.execute_script("window.scrollTo(0, document.body.scrollHeight)")
3，移动至指定元素
某些按钮点击时必须可见，于是要把屏幕移动到按钮可见的区域
element = driver.find_element_by_xpath("//a[@class='p-next']")
element.location_once_scrolled_into_view
#或者
driver.set_window_size(800,800)
element = driver.find_element_by_xpath("//a[@class='p-next']")
js = "window.scrollTo({},{});".format(element.location['x'], element.location['y'] - 100)
driver.execute_script(js)
