Scrapy基于selenium结合爬取淘宝的实例讲解
时间：2020-11-11 11:27:35|栏目：Python代码|点击： 次
在对于淘宝，京东这类网站爬取数据时，通常直接使用发送请求拿回response数据，在解析获取想要的数据时比较难的，因为数据只有在浏览网页的时候才会动态加载，所以要想爬取淘宝京东上的数据，可以使用selenium来进行模拟操作
对于scrapy框架，下载器来说已经没多大用，因为获取的response源码里面没有想要的数据，因为没有加载出来，所以要在请求发给下载中间件的时候直接使用selenium对请求解析，获得完整response直接返回，不经过下载器下载，上代码
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
from scrapy.http.response.html import HtmlResponse
from scrapy.http.response.text import TextResponse
from selenium.webdriver import ActionChains
class TaobaoMiddleware(object):
#处理请求函数
def process_request(self,request,spider):
#声明一个Options对象
opt = Options()
#给对象添加一个--headless参数,表示无头启动
opt.add_argument('--headless')
#把配置参数应用到驱动创建的对象
driver = webdriver.Chrome(options=opt)
#打开requests中的地址
driver.get(request.url)
#让浏览器滚动到底部
for x in range(1,11):
j = x / 10
js = "document.documentElement.scrollTop = document.documentElement.scrollHeight*%f"%j
driver.execute_script(js)
#每次滚动等待0.5s
time.sleep(5)
#获取下一页按钮的标签
next_btn =driver.find_element_by_xpath('//span[contains(text(),"下一页")]')
#睡眠0.5秒
time.sleep(0.5)
#对下一页标签进行鼠标右键触发事件
ActionChains(driver).context_click(next_btn).click().perform()
# driver.save_screenshot('截图.png')
#把驱动对象获得的源码赋值给新变量
page_source = driver.page_source
#退出
driver.quit()
#根据网页源代码,创建Htmlresponse对象
response = HtmlResponse(url=request.url,body=page_source,encoding='utf-8',request=request)
#因为返回的是文本消息,所以需要指定字符编码格式
return response
def process_response(self,request,response,spider):
return response
def process_exception(self,request,exception,spider):
pass
