Scrapy和Selenium整合（一文搞定）

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

---

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。

---

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

2. 您爬取的目标网站

scrapy genspider cnki https://www.cnki.net

3. 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'

2. 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

3. 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',}

4. 随机延迟

DOWNLOAD_DELAY = 3RANDOMIZE_DOWNLOAD_DELAY=True

5. 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

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，-headless    self.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)

2. 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,            )

3. 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()

4. 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'] = title    rc['link'] = link    rc['author'] = author    rc['abstract'] = abstract    rc['count'] = count    rc['date'] = date    yield 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')

2. SpiderMiddleware保持默认配置即可
3. 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cookie    cookie_dict = {}    for item in cookie_str.split(';'):        key, value = item.split('=',maxsplit=1)        cookie_dict[key] = value    return 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_DICT    return 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:    @classmethod    def 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 item    def 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！！！ *

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。

来源地址：https://blog.csdn.net/wnagchenyu/article/details/129793242