新闻动态

selenium在scrapy中的使用代码

发布日期:2022-04-12 10:41 | 文章来源:gibhub

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,如果直接使用scrapy对其url发请求,是绝对获取不到那部分动态加载出来的数据值。但是通过观察我们会发现,通过浏览器进行url请求发送则会加载出对应的动态加载出的数据。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。本文重点给大家介绍selenium在scrapy中的使用,具体内容如下所示:

使用目的

爬取网易新闻国内、国际、军事、航空4个版块的新闻。在测试中发现各版块的新闻是动态加载的,如果直接爬取无法获取,使用selenium帮助获取此部分数据。

代码

spider

import scrapy
from selenium import webdriver
from wangyiPro.items import WangyiproItem
class WangyiSpider(scrapy.Spider):
 name = 'wangyi'
 # allowed_domains = ['www.xxx.com']
 start_urls = ['https://news.163.com/']
 model_url = []

 hro = webdriver.Chrome()
 def parse(self, response):
 # 从所有版块中筛选出所需要下载的4个版块
  li_list = response.xpath('/html/body/div[1]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
  indexs = [3,4,6,7]
  for index in indexs:
model_li = li_list[index]
model_list = model_li.xpath('./a/@href').extract_first()
self.model_url.append(model_list)
  for url in self.model_url:
yield scrapy.Request(url=url,callback=self.parse_model)
 # 数据解析:新闻标题+新闻详情页的url(动态加载数据)
 def parse_model(self,response):
  # 直接对response解析无法获取该数据(动态加载数据)
  # 无法拿到动态加载数据返回的响应数据就不足
  # 使用中间件修改不满足需求的响应对象中的响应数据,将其改为包含动态加载数据的响应数据
  div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div[1]/div/ul/li/div/div')
  for div in div_list:
title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
new_url_detail = div.xpath('./div/div[1]/h3/a/@href').extract_first()
if new_url_detail:
 item = WangyiproItem()
 item['title'] = title

 yield scrapy.Request(url=new_url_detail,callback=self.parse_detail,meta={'item':item})

 def parse_detail(self,response):
  # 返回的列表,需要将其转换为字符串
  content = response.xpath('/html/body/div[3]/div[1]/div[3]/div[2]/p/text()').extract()
  content = ''.join(content)
  item = response.meta['item']
  item['content'] = content
  yield item
 # 重写爬虫类父类方法,该方法在爬虫程序执行结束后立即执行
 def closed(self,spider):
  # 打开selenium需要关闭
  self.hro.quit()

middlewares

from time import sleep
from scrapy.http import HtmlResponse#scrapy封装好的响应类
class WangyiproDownloaderMiddleware:

 def process_request(self, request, spider):
  return None
 # 拦截所有的响应对象
 # 整个工程发起的请求:1+4+n 对应相同的响应
 def process_response(self, request, response, spider):
  # 从所有拦截对象中找到4个需修改的响应对象
  if request.url in spider.model_url:
hro = spider.hro
hro.get(request.url)
sleep(2)
# 网页下拉到底,获取更多动态加载数据
hro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(1)
page_text = hro.page_source
# response.text = page_text
# 返回一个新的响应对象
return HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request)
  # 如果不是需要修改的响应数据,不做修改
  else:
return response
 def process_exception(self, request, exception, spider):
  pass

效果

总结

  • hro = webdriver.Chrome() 我是直接将Chromedriver写入配置文件,所以直接实例化对象即可,如果没有写入配置文件,写为hro = webdriver.Chrome(executable_path='绝对路径')。尝试过将Chromedriver放到pycharm的文件下写入相对路径,没有成功。
  • 使用selenium在结束后需要关闭,可以改写爬虫类父类方法closed()
  • settings里修改三件套并且打开下载中间件和items

以上就是selenium如何在scrapy中的使用的详细内容,更多关于scrapy中使用selenium的资料请关注本站其它相关文章!

美国稳定服务器

版权声明:本站文章来源标注为YINGSOO的内容版权均为本站所有,欢迎引用、转载,请保持原文完整并注明来源及原文链接。禁止复制或仿造本网站,禁止在非www.yingsoo.com所属的服务器上建立镜像,否则将依法追究法律责任。本站部分内容来源于网友推荐、互联网收集整理而来,仅供学习参考,不代表本站立场,如有内容涉嫌侵权,请联系alex-e#qq.com处理。

相关文章

实时开通

自选配置、实时开通

免备案

全球线路精选!

全天候客户服务

7x24全年不间断在线

专属顾问服务

1对1客户咨询顾问

在线
客服

在线客服:7*24小时在线

客服
热线

400-630-3752
7*24小时客服服务热线

关注
微信

关注官方微信
顶部