文章目录

  • 前言
  • 一、开始准备
    • 1. 包管理和安装chrome驱动
    • 2. 爬虫项目的创建（举个栗子）
    • 3. setting.py的配置
  • 二、代码演示
    • 1. 主爬虫程序
    • 2. 中间件的配置
    • 3. 定义item对象
    • 4. 定义管道
  • 总结

前言

scrapy和selenium的整合使用
先定个小目标实现万物皆可爬！我们是用scrapy框架来快速爬取页面上的数据，它是自带并发的，速度是可以的。但是一些ajax异步的请求我们不能这么爬取。我们要视同selenium来进行lazy loading，也就是懒加载，渲染到页面加载数据。

一、开始准备

1. 包管理和安装chrome驱动

首先你要安装以下包：

pip install scrapypip install selenium == 3.0.0pip install pymysqlpip install bs4
  • selenium新版本有bug，用3.0的版本。
  • chrome驱动的exe执行文件，放到你项目的根目录即可。下载地址：驱动

2. 爬虫项目的创建（举个栗子）

  1. 创建项目
scrapy startproject cnki
  1. 您爬取的目标网站
scrapy genspider cnki https://www.cnki.net
  1. 运行爬虫
# 运行不导出（一般在pipelines做导出操作）scrapy crawl cnki# 针对不同的选择可以导出为xlsx、json等格式文件scrapy crawl demo -o demo.csv

3. setting.py的配置

  1. 配置数据源，如下：
DB_HOST = 'localhost'DB_PORT = 3306DB_USER = 'root'DB_PASSWORD ='123456'DB_DATABASE = 'spider'
  1. 防止打印log日志信息
LOG_LEVEL = 'WARNING'
  1. 配置USER_AGENT（浏览器控制台找一个）
Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36
  1. 配置DEFAULT_REQUEST_HEADERS（浏览器控制台找一个）
{ 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en',}
  1. 随机延迟
DOWNLOAD_DELAY = 3RANDOMIZE_DOWNLOAD_DELAY=True
  1. 中间件权重配置（这些中间件给他打开 并且按照项目实际需求配置权重，越小越先执行）
SPIDER_MIDDLEWARES # 蜘蛛中间件DOWNLOADER_MIDDLEWARES # 下载中间件ITEM_PIPELINES # 管道

二、代码演示

1. 主爬虫程序

  1. 初始化selenium （如果您不需要selenium，可以忽略这个 ）
def __init__(self, *args,**kwargs):option = webdriver.ChromeOptions()# 实例化一个浏览器对象option.add_argument('--headless')# 添加参数，option可以是headless，--headless，-headlessself.driver = webdriver.Chrome(options=option)# 创建一个无头浏览器# self.driver = webdriver.Chrome()# 创建一个无头浏览器time.sleep(3)super(CnkiSpider, self).__init__(*args, **kwargs)dispatcher.connect(self.close_driver,signals.spider_closed)
  1. 定义开始请求页面
    下面我只放了一个url，其实可以定义一组的然后进行遍历（一般是分页url使用）
    还有cookie、代理也可以在这里配置，详情请看进去看源码    （不过一般在中间件配置）
def start_requests(self):for url in self.start_urls:yield scrapy.Request(# 这里可以设置多个页面，一般用于分页的url=url,)
  1. 关闭selenium（一定要关掉）
def close_driver(self):print("爬虫正在退出，执行关闭浏览器哦")time.sleep(2)self.driver.quit()
  1. 解析页面
    这里就不多说，八仙过海各显神通
def parse(self,response: HtmlResponse):sel = Selector(response)dds = sel.css('.journal > .main-w1 > dl > dd')for dd in dds:title = dd.css('h6 > a::attr(title)').extract_first()link = dd.css('h6 > a::attr(href)').extract_first()link = response.urljoin(link)author = dd.css('.baseinfo > span > #author::attr(title)').extract_first()abstract = dd.css('.abstract::text').extract_first()count = dd.css('.opts > .opts-count > li > em::text').extract_first()count = int(count)date = dd.css('.opts > .opts-count > .date::text').extract_first()date = date.split('：')[1]date = datetime.datetime.strptime(date,"%Y-%m-%d")rc = Recommend()rc['title'] = titlerc['link'] = linkrc['author'] = authorrc['abstract'] = abstractrc['count'] = countrc['date'] = dateyield rc

这里要注意我们yield可以返回不仅是item，也可以是Request，进行页面详情的请求（套娃）

yield Request( url=link, # 这是上面页面上的链接，用来进一步请求 callback=self.parse_detail, # 这是回调函数 cb_kwargs={'item':rc} # 这是把上面的item传递下来 )

2. 中间件的配置

  1. 针对selenium
    没有selenium请忽略
class SeleniumDownloaderMiddleware:def process_request(self, request , spider):if spider.name == 'cnki':spider.driver.get(request.url)time.sleep(2)print(f"当前访问{request.url}")spider.driver.refresh()time.sleep(3)return HtmlResponse(url=spider.driver.current_url,body=spider.driver.page_source,encoding='utf-8')
  1. SpiderMiddleware保持默认配置即可
  2. DownloaderMiddleware可以配置cookie和代理之类的。如：
# 我自定义的解析cookie方法def get_cookie_dict():cookie_str = 填上你的cookiecookie_dict = {}for item in cookie_str.split(';'):key, value = item.split('=',maxsplit=1)cookie_dict[key] = valuereturn cookie_dictCOOKIES_DICT = get_cookie_dict()
# 这是DownloaderMiddleware这是自带的方法哈def process_request(self, request : Request, spider):request.cookies = COOKIES_DICTreturn None

3. 定义item对象

用来接受爬虫到的数据

class Recommend(scrapy.Item):title = scrapy.Field()author = scrapy.Field()abstract = scrapy.Field()link = scrapy.Field()count = scrapy.Field()date = scrapy.Field()

4. 定义管道

实现对数据库的导入（你也可以写excel的）

class RecommendPipeline:@classmethoddef from_crawler(cls, crawler: Crawler):host = crawler.settings['DB_HOST']port = crawler.settings['DB_PORT']username = crawler.settings['DB_USER']password = crawler.settings['DB_PASSWORD']database = crawler.settings['DB_DATABASE']return cls(host, port, username, password, database)def __init__(self, host, port, username, password, database):# 1、与数据库建立连接self.conn = pymysql.connect(host=host, port=port, user=username, password=password, database=database,charset='utf8mb4')# 2、创建游标self.cursor = self.conn.cursor()# 3、批处理需要的容器self.data = []def process_item(self, item, spider):title = item.get('title', '')author = item.get('author', '')abstract = item.get('abstract', '')link = item.get('link', '')count = item.get('count', '')date = item.get('date', '')# 如果要实现批处理：self.data.append((title,author,abstract,link,count,date))# 如果存够了10条就进数据库if len(self.data) == 10:self._to_write_db()# 然后再清空self.data.clear()return itemdef close_spider(self, spider):# 如果最后不满足10条if len(self.data) > 0:self._to_write_db()self.conn.close()def _to_write_db(self):# 作为一个实时的推荐，我希望将查到的数据作为一个temp# 'delete from tb_recommend where 1 = 1' 删除满，并且主键自增不会从1开始self.cursor.execute('truncate table tb_recommend')self.cursor.executemany('insert into tb_recommend (title,author,abstract,link,count,date) values (%s, %s, %s, %s, %s, %s)',self.data)self.conn.commit()

记得写入setting.py，设置其权重。
*接下来您就可以按照这种方法‘愉’ ‘快’的进行爬虫啦！！！ *

总结

这是scrapy和selenium的具体整合使用，scrapy框架的内容还有很多方法还没用到，都有待开发。其次就是selenium的填充之类的操作还没有使用，还需要去复习selenium的api。