大师兄的Python学习笔记(三十一): 爬虫(十二)

大师兄的Python学习笔记(三十): 爬虫(十一)
大师兄的Python学习笔记(三十二): 爬虫(十三)

十一、Scrapy框架

10. 使用Selenium抓举动态页面
  • 可以使用Scrapy对接Selenium模拟浏览器抓取动态页面。
  • 以爬取华为商城搜索页面为例。

1) 定义Item

  • 定义要爬取的Field和数据库collection, 这里我们只爬取商品名和价格。
# items.py
>>>import scrapy

>>>class HuaweiMainPageItem(scrapy.Item):
>>>    collection = 'items'
>>>    title = scrapy.Field()
>>>    price = scrapy.Field()

2) 初步实现爬虫

  • 这里爬虫只打开搜索页面。
# huawei.py
>>import scrapy
>>from huawei_main_page.items import HuaweiMainPageItem

>>class HuaweiSpider(scrapy.Spider):
>>    name = 'huawei'
>>    allowed_domains = ['www.vmall.com']
>>    url = 'https://www.vmall.com/'

>>    def start_requests(self):
>>        yield scrapy.Request(url=self.url, callback=self.parse)
  • 顺便在settings.py中配置要搜索库
# settings.py
KEYWORD = ['笔记本']

3) 通过下载器中间件实现对接Selenium

  • 首先配置中间件和Selenium参数
# settings.py
... ...
SELENIUM_TIMEOUT = 20
MAX_PAGE=10
... ...
DOWNLOADER_MIDDLEWARES = {
  'huawei_main_page.middlewares.HuaweiMainPageDownloaderMiddleware': 543,
}
  • 编写中间件,用selenium实现输入搜索内容,之后点击跳转页面,并将跳转的页面发送给下载器。
  • 我使用的是火狐浏览器。
# middlewares.py
>>>from selenium import webdriver
>>>from selenium.webdriver.firefox.options import Options
>>>from selenium.common.exceptions import TimeoutException
>>>from selenium.webdriver.common.by import By
>>>from selenium.webdriver.support.ui import WebDriverWait
>>>from selenium.webdriver.support import expected_conditions as EC
>>>from scrapy.http import HtmlResponse
>>>from logging import getLogger

>>>class HuaweiMainPageDownloaderMiddleware(object):

>>>    def __init__(self, kw,timeout=None):
>>>        self.logger = getLogger(__name__)
>>>        self.kw = kw
>>>        self.timeout = timeout
>>>        self.options = Options()
>>>        self.options.add_argument('-headless')
>>>        self.browser = webdriver.Firefox(firefox_options=self.options)
>>>        self.browser.set_window_size(1980, 1200)
>>>        self.browser.set_page_load_timeout(self.timeout)
>>>        self.wait = WebDriverWait(self.browser, self.timeout)

>>>    @classmethod
>>>    def from_crawler(cls, crawler):
>>>        return cls(timeout=crawler.settings.get('SELENIUM_TIMEOUT'),kw=crawler.settings.get('KEYWORD'))

>>>    def process_request(self, request, spider):
>>>        self.logger.debug('PhantomJS is Starting')

>>>        try:
>>>            page = self.browser.get(request.url)
>>>            search = self.wait.until(
>>>                EC.presence_of_element_located((By.CSS_SELECTOR,'.text'))
>>>            )
>>>            search.clear()
>>>            search.send_keys(self.kw)

>>>            button = self.wait.until(
>>>                EC.presence_of_element_located((By.CSS_SELECTOR,'.button'))
>>>            )
>>>            button.click()

>>>            self.browser.switch_to.window(self.browser.window_handles[-1])
>>>            self.wait.until(
>>>                EC.presence_of_all_elements_located((By.CSS_SELECTOR,'.pro-panels'))
>>>            )

>>>            return HtmlResponse(url=self.browser.current_url,body=self.browser.page_source,request=request,encoding='utf-8',status=200)

>>>        except TimeoutException:
>>>            return HtmlResponse(url=request.url,status=500,request=request)

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

4) 继续在爬虫中编写解析方法

  • 解析下载器返回的页面数据。
# huawei.py
>>>import scrapy
>>>from huawei_main_page.items import HuaweiMainPageItem

>>>class HuaweiSpider(scrapy.Spider):
>>>    name = 'huawei'
>>>    allowed_domains = ['www.vmall.com']
>>>    url = 'https://www.vmall.com/'

>>>    def start_requests(self):
>>>        yield scrapy.Request(url=self.url, callback=self.parse)

>>>    def parse(self, response):
>>>        products = response.css('.pro-panels')
>>>        for product in products:
>>>            item = HuaweiMainPageItem()
>>>            item['title'] = product.css('.p-name::text').extract_first()
>>>            item['price'] = product.css('.p-price b::text').extract_first()
>>>            yield item

5) 通过Pipeline将爬取结果保存到数据库

  • 首先需要在settings.py中配置数据库信息。
# settings.py
>>>ITEM_PIPELINES = {
>>>   'huawei_main_page.pipelines.HuaweiMainPagePipeline': 300,
>>>}

>>>MONGO_URI='localhost'
>>>MONGO_DB='project_huawei'
  • 之后在pipeline.py中实现存储。
>>>import pymongo

>>>class HuaweiMainPagePipeline(object):
>>>    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_DB'))

>>>    def open_spider(self,spider):
>>>        self.client = pymongo.MongoClient(self.mongo_uri)
>>>        self.db = self.client[self.mongo_db]

>>>    def process_item(self, item, spider):
>>>        self.db[item.collection].insert(dict(item))
>>>        return item

>>>    def close_spider(self,spider):
>>>        self.client.close()

参考资料



本文作者:大师兄(superkmi)

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,242评论 5 459
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,769评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,484评论 0 319
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,133评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,007评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,080评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,496评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,190评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,464评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,549评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,330评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,205评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,567评论 3 298
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,889评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,160评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,475评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,650评论 2 335