Scrapy和Selenium是怎么样爬取动态数据的

草帽路飞UU

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 json

from 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 json

import time

from selenium.webdriver.common.by import By

from selenium.webdriver.support import expected_conditions

from selenium.webdriver.support.wait import WebDriverWait

from 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url

browser.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 scrapy

from 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。