scrapy使用PhantomJS爬取数据

内容简介：scrapy使用PhantomJS爬取数据

环境：python2.7+scrapy+selenium+PhantomJS

内容：测试scrapy+PhantomJS

爬去内容：涉及到js加载更多的页面

原理：配置文件打开中间件+修改process_request函数（在里面增加PhantomJS操作）

第一步：

settings.py

DOWNLOADER_MIDDLEWARES = {
    'dbdm.middlewares.DbdmSpiderMiddleware': 543,
}

项目不一样名字会改变不影响。

第二步：

----------默认开启PhantomJS

middlewares.py

上面需要加载selenium 
from selenium import webdriver
#........省略部分代码 
@classmethod
    def process_request(cls, request, spider):
        #if request.meta.has_key('PhantomJS'):
        driver = webdriver.PhantomJS('E:\\p_python\\Scripts\\phantomjs\\bin\\phantomjs.exe') 
        driver.get(request.url)
        if request.url=='https://movie.douban.com/tag':
            driver.find_element_by_xpath('//*[@id="app"]/div/div[1]/div[1]/ul[1]/li[5]/span').click()
            time.sleep(5)
            if driver.find_element_by_xpath('//*[@id="app"]/div/div[1]/a'):
                click_more(driver)
        content = driver.page_source.encode('utf-8')
        #print content
        #file = open(path.join(d, '1.txt'),'w')
        #file.write(content)
        #file.close()
        driver.quit()  
        return HtmlResponse(request.url, encoding='utf-8', body=content, request=request)



def click_more(driver,i=1):
    driver.find_element_by_xpath('//*[@id="app"]/div/div[1]/a').click()
    print str(i)+'  click'
    time.sleep(5)
    i = i+1
    try:
        more_btn = driver.find_element_by_xpath('//*[@id="app"]/div/div[1]/a')
        if more_btn:
            click_more(driver,i)
    except:
        print 'click Over!!'

 

上面只是测试的代码，具体根据自己的项目更改，当前默认是打开PhantomJS访问url,可以通过判断。

-----------需要开启时再开启

判断key的值

上面需要加载selenium 
from selenium import webdriver 
#........省略部分代码 

@classmethod
    def process_request(cls, request, spider):
        if request.meta.has_key('PhantomJS'):
            driver = webdriver.PhantomJS('E:\\p_python\\Scripts\\phantomjs\\bin\\phantomjs.exe') 
            driver.get(request.url)
            content = driver.page_source.encode('utf-8')
            driver.quit()  
            return HtmlResponse(request.url, encoding='utf-8', body=content, request=request)

key的值设定在spider文件里面

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from phantomjs_test.items import PhantomscrapyItem

class PhantomjsTestSpider(CrawlSpider):
    name = 'phantomjs_test'
    allowed_domains = ['book.com']
    start_urls = ['http://book.com/']
    #all_urls = []   去重似乎不需要
     rules = (
        ###获取所有的分页列表
        Rule(LinkExtractor(allow=r'/story/p/[2-9]*'), callback='parse', follow=True),
        ###获取里面所有的详情页
        #Rule(LinkExtractor(allow=r'/detail/p/[2-9]*'), callback = 'parse_item',follow=True),
    )

    ###从分页页面获取所有的文章url
    def parse(self, response):
        url_list = response.xpath('/a/@href').extract()
        for url in url_list:
            request = Request(url=url, callback=self.parse_item, dont_filter=True)
            request.meta['PhantomJS'] = True
            yield request

    def parse_item(self, response):
        item = PhantomscrapyItem()
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        item['bookName'] = response.xpath()
        items = []
        items.append(item)
        return items

以上便是默认打开与判断条件再打开的区别，根据页面不同可以设置，代码仍需要完善才能人性化。

以上所述就是小编给大家介绍的《scrapy使用PhantomJS爬取数据》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！

查看所有标签

猜你喜欢:

• 如何使用Azure数据迁移将数据移动到云端
• iOS数据持久化：使用NSKeyedArchiver进行数据归档
• WordPress插件开发 -- 在插件使用数据库存储数据
• 使用Pig清洗数据
• 使用“数据驱动测试”之前
• 数据安全治理中的开发测试环境数据安全使用技术

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。