Scrapy和Selenium是怎么样爬取动态数据的
一、 用Selenium操作谷歌浏览器，登录TB账号获取Cookie 因为TB网的搜索功能需要登录之后才能使用，所以我们要通过程序去控制浏览器实现登录功能，然后再获取登录之后的Cookie.首先创建一个Chrome浏览器对象，用这个对象去操控谷歌浏览器：import jsonfrom selenium import webdriver
def create_chrome_driver(*, headless=False):# 创建谷歌浏览器对象，用selenium控制浏览器访问url options = webdriver.ChromeOptions() if headless:# 如果为True，则爬取时不显示浏览器窗口 options.add_argument('--headless')
# 做一些控制上的优化 options.add_experimental_option('excludeSwitches', ['enable-automation']) options.add_experimental_option('useAutomationExtension', False) # 创建浏览器对象 browser = webdriver.Chrome(options=options,executable_path=r"D:\python爬虫学习\Scrapy框架学习\TaoSpider\venv\Lib\site-packages\chromedriver.exe") # 破解反爬措施 browser.execute_cdp_cmd( 'Page.addScriptToEvaluateOnNewDocument', {'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'} )
return browser
接着就可以通过这个对象去操作浏览器登录TB网，并且把Cookie存进taobao2.json文件中：# 模拟登录import jsonimport time
from selenium.webdriver.common.by import Byfrom selenium.webdriver.support import expected_conditionsfrom selenium.webdriver.support.wait import WebDriverWaitfrom utils import create_chrome_driver
browser = create_chrome_driver()browser.get('https://login.taobao.com')
# 隐式等待browser.implicitly_wait(10)
# 获取页面元素模拟用户输入和点击行为username_input = browser.find_element(By.CSS_SELECTOR, '#fm-login-id')username_input.send_keys('xxx')# 填写用户名
password_input = browser.find_element(By.CSS_SELECTOR, '#fm-login-password')password_input.send_keys('xxx')# 填写对应的密码
# 登录按钮login_button = browser.find_element(By.CSS_SELECTOR, '#login-form > div.fm-btn > button')login_button.click()
# 显示等待# wait_obj = WebDriverWait(browser, 10)# wait_obj.until(expected_conditions.presence_of_element_located((By.CSS_SELECTOR, 'div.m-userinfo')))time.sleep(15)
# 获取登录的cookie数据，并且写入文件with open('taobao2.json', 'w') as file: json.dump(browser.get_cookies(), file)
最后我们在进行发送请求的时候，把Cookie加进请求当中，就可以访问TB网进行搜索商品了。将Cookie加进浏览器对象中：def add_cookies(browser, cookie_file):# 给浏览器对象添加登录的cookie with open(cookie_file, 'r') as file: cookie_list = json.load(file) for cookie_dict in cookie_list: if cookie_dict['secure']:
browser.add_cookie(cookie_dict)
我们可以先来测试一下是否能操作浏览器，在进行爬取之前得先获取登录的Cookie，所以先执行登录的代码，第一小节的代码在普通python文件中就能执行，可以不用在Scrapy项目中执行。接着执行访问搜索页面的代码，代码为：'''通过搜索获取商品信息'''
from utils import create_chrome_driver, add_cookies
browser = create_chrome_driver()# 创建谷歌浏览器对象，通过控制浏览器来访问urlbrowser.get('https://www.taobao.com')add_cookies(browser, 'taobao2.json')
browser.get('https://s.taobao.com/search?q=手机&s=0')# 淘宝上的搜索功能必须要登录才能搜索，需要用cookie来亮明身份
程序会自动操控浏览器去访问TB搜索页：
二、蜘蛛程序的编写
我们这里爬取手机、笔记本电脑、键鼠套装的数据，每一个类被爬取两页，一页有48条数据，一共就是288条数据，每一页都会有几条时广告，所以爬取的数据是少于288条的。蜘蛛程序代码如下：import scrapyfrom scrapy import Request,Selector
from TaoSpider.items import TaospiderItem
class TaobaoSpider(scrapy.Spider): name = 'taobao' allowed_domains = ['taobao.com']
def start_requests(self): keywords = ['手机', '笔记本电脑', '键鼠套装'] for keyword in keywords: for page in range(2): url = f'https://s.taobao.com/search?q={keyword}&s={48 * page}' yield Request(url=url)
# def parse_detail(self, response, **kwargs): # pass
def parse(self, response, **kwargs):# 淘宝的数据是通过js动态渲染出来的，不是静态内容，通过选择器拿不到，我们要通过selenium帮助我们拿到,在数据管道中实现 sel = Selector(response) selectors = sel.css('div.items > div.item.J_MouserOnverReq > div.ctx-box.J_MouseEneterLeave.J_IconMoreNew') for selector in selectors:# type: Selector item = TaospiderItem() item['title'] = ''.join(selector.css('div.row.row-2.title > a::text').extract()).strip() item['price'] = selector.css('div.row.row-1.g-clearfix > div.price.g_price.g_price-highlight > strong::text').extract_first().strip() item['deal_count'] = selector.css('div.row.row-1.g-clearfix > div.deal-cnt::text').extract_first().strip() item['shop'] = selector.css('div.row.row-3.g-clearfix > div.shop > a > span:nth-child(2)::text').extract_first().strip() item['location'] = selector.css('div.row.row-3.g-clearfix > div.location::text').extract_first().strip() yield item
数据条目Items的代码如下：# Define here the models for your scraped items## See documentation in:# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class TaospiderItem(scrapy.Item): title = scrapy.Field()# 标题 price = scrapy.Field()# 价格 deal_count = scrapy.Field()# 销量 shop = scrapy.Field()# 店铺名称 location = scrapy.Field()# 店铺地址
三、中间件的编写 我这里主要是重新编写下载中间件，因为Taobao的数据是用js动态渲染的，所以我们不能用Scrapy默认的下载器抓取数据，默认的下载器只能抓取静态数据。想要抓取动态数据的话，需要用到Selenium。并且Taobao需要登录之后才能使用搜索功能，所以我们把第一小节的代码一起用上，下载中间件代码为：class TaospiderDownloaderMiddleware: # Not all methods need to be defined. If a method is not defined, # scrapy acts as if the downloader middleware does not modify the # passed objects.
@classmethod def from_crawler(cls, crawler): # This method is used by Scrapy to create your spiders. # s = cls() # crawler.signals.connect(s.spider_opened, signal=signals.spider_opened) # return s return cls()
def __init__(self):# 初始化数据管道时模拟用户登录 self.browser = create_chrome_driver() self.browser.get('https://www.taobao.com') add_cookies(self.browser, 'taobao2.json')
def __del__(self):# 销毁时执行该方法 self.browser.close()
def process_request(self, request: Request, spider):# 不用原来的下载器去下载，自己编写一个selenium下载器 # Called for each request that goes through the downloader # middleware.
# Must either: # - return None: continue processing this request # - or return a Response object # - or return a Request object # - or raise IgnoreRequest: process_exception() methods of # installed downloader middleware will be called self.browser.get(request.url) # page_source 是带了动态内容的网页源代码，和直接在浏览器看到的源代码不一样,直接在浏览器看到的只有静态内容 # 通过浏览器请求之后，直接返回响应回来的内容通过引擎传递给解析器 return HtmlResponse(url=request.url, body=self.browser.page_source, request=request, encoding='utf-8')
def process_response(self, request, response, spider): # Called with the response returned from the downloader.
# Must either; # - return a Response object # - return a Request object # - or raise IgnoreRequest return response
def process_exception(self, request, exception, spider): # Called when a download handler or a process_request() # (from other downloader middleware) raises an exception.
# Must either: # - return None: continue processing this exception # - return a Response object: stops process_exception() chain # - return a Request object: stops process_exception() chain pass
def spider_opened(self, spider): spider.logger.info('Spider opened: %s' % spider.name)
别忘了在配置文件中开启中间件：DOWNLOADER_MIDDLEWARES = { 'TaoSpider.middlewares.TaospiderDownloaderMiddleware': 543,
}
四、数据存储——数据管道的编写
如果不想把数据存进第三方的，比如数据库和excel的话，就不用看这里了直接在命令行执行：scrapy crawl taobao -o taobao.csv，就能把数据存进csv文件中了。我这里在数据管道中把数据存进Excel。数据管道代码：class TaospiderPipeline:
def __init__(self): self.wb = openpyxl.Workbook()# 创建工作簿 self.ws = self.wb.active# 拿到默认激活的工作表 self.ws.title = 'TaoBaoData'# 工作表名称 self.ws.append(('标题','价格','销量','店铺名称','店铺地址'))# 表头
def close_spider(self, spider):# 爬虫停止运行的时候执行该方法,钩子函数，自己执行不需要调用 self.wb.save('淘宝商品数据.xlsx')
def process_item(self, item, spider): title = item.get('title', '')# 如果字典中的title值为空的话，就把''（空值）赋给title变量,写法一 price = item.get('price') or 0# 如果字典中的title值为空的话，就把''（空值）赋给title变量，写法二 deal_count = item.get('deal_count', '') shop = item.get('shop', '') location = item.get('location', '') self.ws.append((title, price, deal_count, shop, location))# return item
别忘了在配置文件中开启数据管道：ITEM_PIPELINES = { 'TaoSpider.pipelines.TaospiderPipeline': 300,
}
最后在命令行中执行:scrapy crawl taobao,taobao为蜘蛛程序的名字。 Taobao会有滑动验证码反爬措施，这里只能爬取几次，之后就会被封掉。一般解封时间为一个小时，如果想绕过这个滑动验证码，需要改Chrome浏览器的动态程序，请读者自行上网百度。
页:
[1]
