利用scrapy-splash爬取JS生成的动态页面

目前，为了加速页面的加载速度，页面的很多部分都是用JS生成的，而对于用scrapy爬虫来说就是一个很大的问题，因为scrapy没有JS engine，所以爬取的都是静态页面，对于JS生成的动态页面都无法获得。

解决方案：

利用第三方中间件来提供JS渲染服务： scrapy-splash 等。
利用webkit或者基于webkit库
Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python实现的，同时使用Twisted和QT。Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力。

下面就来讲一下如何使用scrapy-splash：

利用pip安装scrapy-splash库：
$ pip install scrapy-splash
scrapy-splash使用的是Splash HTTP API，所以需要一个splash instance，一般采用docker运行splash，所以需要安装docker。
docker 安装页面 https://splash.readthedocs.io/en/latest/install.html
安装docker, 安装好后运行docker。
拉取镜像(pull the image)：
$ docker pull scrapinghub/splash
用docker运行scrapinghub/splash：
$ docker run -p 8050:8050 scrapinghub/splash
配置splash服务（以下操作全部在settings.py）：

1）添加splash服务器地址：

SPLASH_URL = ‘http://localhost:8050’
2）将splash middleware添加到DOWNLOADER_MIDDLEWARE中：

DOWNLOADER_MIDDLEWARES = {
‘scrapy_splash.SplashCookiesMiddleware’: 723,
‘scrapy_splash.SplashMiddleware’: 725,
‘scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware’: 810,
}
3)Enable SplashDeduplicateArgsMiddleware:

SPIDER_MIDDLEWARES = {
‘scrapy_splash.SplashDeduplicateArgsMiddleware’: 100,
}
4)Set a custom DUPEFILTER_CLASS:

DUPEFILTER_CLASS = ‘scrapy_splash.SplashAwareDupeFilter’
5)a custom cache storage backend:

HTTPCACHE_STORAGE = ‘scrapy_splash.SplashAwareFSCacheStorage’
例子
获取HTML内容：

import scrapy
from scrapy_splash import SplashRequest

class MySpider(scrapy.Spider):
start_urls = [“http://example.com”, “http://example.com/foo”]

def start_requests(self):
    for url in self.start_urls:
        yield SplashRequest(url, self.parse, args={'wait': 0.5})

def parse(self, response):
    # response.body is a result of render.html call; it
    # contains HTML processed by a browser.
    # ...

利用scrapy-splash爬取JS生成的动态页面

猜你喜欢