scrapy+splash 爬取动态网站(JS)

内容简介：scrapy+splash 爬取动态网站(JS)

scrapy只支持静态网页的抓取，通过scrapy-splash，能实现对JavaScript的解析。

一、搭建 Docker 服务器

Docker的相关知识参考本站的Docker相关文章。

Scrapy-Splash采用Splash HTTP API，需要搭建一个Splash实例，用Docker搭建最方便：

$ docker run-d-p 8050:8050 --restart=always --name=splash scrapinghub/splash

在服务器运行好Docker后，就可以通过IP+端口(例如： http://123.206.211.100:8050 )访问了。

二、Scrapy项目

1，安装scrapy-splash

$ pip install scrapy-splash

2，配置(setting.py)

增加Splash服务器地址

SPLASH_URL = 'http://123.206.211.100:8050'

开启Splash中间件

DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
    ...
}

其它设置

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
SPLASH_COOKIES_DEBUG = True

3，spider.py使用SplashRequest

import scrapy
from scrapy_splash import SplashRequest

class SpiderS1(scrapy.Spider):

    name = "s1_spider"

    def start_requests(self):
    	
    	urls = ['http://sports.sina.com.cn/g/seriea/2017-05-23/doc-ifyfkqiv6736172.shtml',
                'http://sports.sina.com.cn/basketball/nba/2017-05-23/doc-ifyfkqiv6683532.shtml']
    	
        requests = []
        for url in urls:
       	    url = url.strip()
       	    request = SplashRequest(url, callback=self.parse, args={'wait':3})
        	requests.append(request)
        return requests
    
    def parse(self, response):
        self.log(response.url)
        ...

使用非常简单，具体请求参数参考 Scrapy&JavaScript integration through Splash 。

以上所述就是小编给大家介绍的《scrapy+splash 爬取动态网站(JS)》，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:

• Nginx 通用网站镜像教程（适用于动态网站与静态网站）
• 三步学会爬动态网站
• 动态网站SEO解决方案经验汇总
• 数独动态解题演示小网站 - 基于Vue/pixi.js/Flask
• 网站安全防护深度解读：DDoS攻击、网站入侵以及网站篡改解决方案
• 网站被劫持到其它网站如何解决

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。