引入
在通过scrapy框架进行某些网站数据爬取的时候，往往会碰到页面动态数据加载的情况发生如果直接用scrapy对其url发请求，是获取不到那部分动态加载出来的数据值，但是通过观察会发现，通过浏览器进行url请求发送则会加载出对应的动态加载的数据。那么如果我们想要在scrapy也获取动态加载出的数据，则必须使用selenium创建浏览器对象，然后通过该浏览器对象进行请求发送，获取动态加载的数据值。
1，案例分析：
- 需求：爬取网易新闻的国内板块下的新闻数据
- 需求分析：当点击国内超链接进入对应页面时，会发现当前页面展示的新闻数据是被动态加载出来的。需要我们使用selenium实例化一个浏览器对象，在该对象中进行url的请求，获取动态加载的数据。
2，selenium在scrapy中使用的原理分析：
当引擎将国内板块url对应的请求提交给下载器后，下载进行网页数据的下载，然后将下载到的页面数据，封装到response中，提交给引擎，引擎将response在转交给Spiders。Spiders接收到的response对象中存储的页面数据里是没有动态加载的新闻数据的。要想获得动态数据，则需要在下载中间件中对下载器提交给引擎的response响应对象进行拦截，且对其内部存储的页面数据进行篡改，修改成携带了动态加载出的新闻数据，然后将被篡改的response对象最终交给Spiders进行解析操作。
3，selenium在scrapy中的使用流程：
- 重写爬虫文件的构造方法，在该方法中使用selenium实例化一个浏览器对象（因为浏览器对象只需要被实例化一次）
- 重写爬虫文件的closed(self,spider)方法，在其内部关闭浏览器对象。该方法是在爬虫结束时被调用
- 重写下载中间件中的process_response方法，让该方法对响应对象进行拦截，并篡改response中存储的页面数据
- 在配置文件中开启中间件
4，代码展示：
创建项目：
scrapy startproject wangyi cd wangyi scrapy genspider wangyinews http://war.163.com
scrapy crawl wangyinews 完成代码编写后运行项目
- 爬虫文件：
# -*- coding: utf-8 -*-
import scrapy
from selenium import webdriver
class WangyinewsSpider(scrapy.Spider):
name = 'wangyinews'
# allowed_domains = ['http://war.163.com/']
start_urls = ['http://war.163.com/']
def __init__(self):
self.bro = webdriver.Chrome(executable_path=r'E:GoogleGoogleChromeApplicationchromedriver.exe')
def parse(self, response):
div_list = response.xpath('//div[@class="data_row news_article clearfix "]')
for div in div_list:
title = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()
print(title)
def closed(self, spider):
print('关闭浏览器对象!')
self.bro.quit()
- 中间件文件（只需要修改下载中间件的process_response函数）
from time import sleep
from scrapy import signals
from scrapy.http import HtmlResponse
def process_response(self, request, response, spider):
print('即将返回一个新的响应对象!!!')
bro = spider.bro
bro.get(url=request.url)
sleep(3)
page_text = bro.page_source
sleep(3)
return HtmlResponse(url=spider.bro.current_url,body=page_text, encoding='utf-8', request=request)
- setting文件
DOWNLOADER_MIDDLEWARES = {
'wangyi.middlewares.WangyiDownloaderMiddleware': 543,
}