Scrapy 框架 使用 selenium 爬取动态加载内容

使用 selenium 爬取动态加载内容

• 开启中间件

  DOWNLOADER_MIDDLEWARES = {
     'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,
  }

1. 在爬虫文件中 创建 浏览器对象

   使用 爬虫文件的 init 方法

   def __init__(self):
       self.bro = webdriver.Chrome(executable_path=r'C:\Users\old-boy\Desktop\爬虫+数据\爬虫_day04\chromedriver.exe')
   

   数据解析:

   start_urls = ['http://news.163.com/domestic/']
   ....... 
   def parse(self, response):
       div_list = response.xpath('//div[@class="ndi_main"]/div')
       for div in div_list:
           title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
           detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
           print(title,detail_url)

2. 操作在 process_response(self,request,response,spider) 中 编写 浏览器自动化操作

   进行点击 或者 页面滚动

   返回新的 response 对象

   rom time import sleep
   from scrapy.http import HtmlResponse
   
   class WangyiproDownloaderMiddleware(object):
       #拦截所有的响应对象
       def process_response(self, request, response, spider):
           # request.url  拦截到响应的 url 判断是否是请求的响应 对象
           # 有些页面 不需要 使用 selenium 直接返回 response
           # 参数spider表示的就是爬虫类的一个对象
           # 使用一个满足需求的新的响应对象替换原有的
           bro = spider.bro # 浏览器对象
           url = spider.start_urls[0]
           bro.get(url)
           bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
           sleep(2)
           bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
           sleep(2)
           bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
           sleep(2)
           a_tag = bro.find_elements_by_class_name('load_more_btn')[0]
           a_tag.click()
           sleep(2)
           page_text = bro.page_source
           #实例化一个新的响应对象
           response = HtmlResponse(url=bro.current_url,body=page_text,encoding='utf-8',request=request)
           return response

3. 关闭 浏览器对象

   • 重写 closed(self,spider):

     def closed(self,spider):
         self.bro.quit()