如何在scrapy中集成selenium爬取网页

语言: CN / TW / HK

1.背景

我们在爬取网页时一般会使用到三个爬虫库:requests,scrapy,selenium。requests一般用于小型爬虫,scrapy用于构建大的爬虫项目,而selenium主要用来应付负责的页面(复杂js渲染的页面,请求非常难构造,或者构造方式经常变化)。

在我们面对大型爬虫项目时,肯定会优选scrapy框架来开发,但是在解析复杂JS渲染的页面时,又很麻烦。尽管使用selenium浏览器渲染来抓取这样的页面很方便,这种方式下,我们不需要关心页面后台发生了怎样的请求,也不需要分析整个页面的渲染过程,我们只需要关心页面最终结果即可,可见即可爬,但是selenium的效率又太低。

所以,如果可以在scrapy中,集成selenium,让selenium负责复杂页面的爬取,那么这样的爬虫就无敌了,可以爬取任何网站了。

  1. 环境

python 3.6.1

系统:win7

IDE:pycharm

安装过chrome浏览器

配置好chromedriver(设置好环境变量)

selenium 3.7.0

scrapy 1.4.0

3.原理分析

3.1. 分析request请求的流程

首先看一下scrapy最新的架构图:在这里插入图片描述 部分流程:

第一:爬虫引擎生成requests请求,送往scheduler调度模块,进入等待队列,等待调度。

第二:scheduler模块开始调度这些requests,出队,发往爬虫引擎。

第三:爬虫引擎将这些requests送到下载中间件(多个,例如加header,代理,自定义等等)进行处理。

第四:处理完之后,送往Downloader模块进行下载。

从这个处理过程来看,突破口就在下载中间件部分,用selenium直接处理掉request请求。

3.2. requests和response中间处理件源码分析

相关代码位置:   在这里插入图片描述  源码解析:  

# 文件:E:\Miniconda\Lib\site-packages\scrapy\core\downloader\middleware.py   """   Downloader Middleware manager   See documentation in docs/topics/downloader-middleware.rst   """   import six   from twisted.internet import defer   from scrapy.http import Request, Response   from scrapy.middleware import MiddlewareManager   from scrapy.utils.defer import mustbe_deferred   from scrapy.utils.conf import build_component_list   class DownloaderMiddlewareManager(MiddlewareManager):    component_name = 'downloader middleware'    @classmethod    def _get_mwlist_from_settings(cls, settings):    # 从settings.py或这custom_setting中拿到自定义的Middleware中间件    '''    'DOWNLOADER_MIDDLEWARES': {    'mySpider.middlewares.ProxiesMiddleware': 400,    # SeleniumMiddleware    'mySpider.middlewares.SeleniumMiddleware': 543,    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,    },    '''    return build_component_list(    settings.getwithbase('DOWNLOADER_MIDDLEWARES'))    # 将所有自定义Middleware中间件的处理函数添加到对应的methods列表中    def _add_middleware(self, mw):    if hasattr(mw, 'process_request'):    self.methods['process_request'].append(mw.process_request)    if hasattr(mw, 'process_response'):    self.methods['process_response'].insert(0, mw.process_response)    if hasattr(mw, 'process_exception'):    self.methods['process_exception'].insert(0, mw.process_exception)    # 整个下载流程    def download(self, download_func, request, spider):    @defer.inlineCallbacks    def process_request(request):    # 处理request请求,依次经过各个自定义Middleware中间件的process_request方法,前面有加入到list中    for method in self.methods['process_request']:    response = yield method(request=request, spider=spider)    assert response is None or isinstance(response, (Response, Request)), \    'Middleware %s.process_request must return None, Response or Request, got %s' % \    (six.get_method_self(method).__class__.__name__, response.__class__.__name__)    # 这是关键地方    # 如果在某个Middleware中间件的process_request中处理完之后,生成了一个response对象    # 那么会直接将这个response return 出去,跳出循环,不再处理其他的process_request    # 之前我们的header,proxy中间件,都只是加个user-agent,加个proxy,并不做任何return值    # 还需要注意一点:就是这个return的必须是Response对象    # 后面我们构造的HtmlResponse正是Response的子类对象    if response:    defer.returnValue(response)    # 如果在上面的所有process_request中,都没有返回任何Response对象的话    # 最后,会将这个加工过的Request送往download_func,进行下载,返回的就是一个Response对象    # 然后依次经过各个Middleware中间件的process_response方法进行加工,如下    defer.returnValue((yield download_func(request=request,spider=spider)))    @defer.inlineCallbacks    def process_response(response):    assert response is not None, 'Received None in process_response'    if isinstance(response, Request):    defer.returnValue(response)    for method in self.methods['process_response']:    response = yield method(request=request, response=response,    spider=spider)    assert isinstance(response, (Response, Request)), \    'Middleware %s.process_response must return Response or Request, got %s' % \    (six.get_method_self(method).__class__.__name__, type(response))    if isinstance(response, Request):    defer.returnValue(response)    defer.returnValue(response)    @defer.inlineCallbacks    def process_exception(_failure):    exception = _failure.value    for method in self.methods['process_exception']:    response = yield method(request=request, exception=exception,    spider=spider)    assert response is None or isinstance(response, (Response, Request)), \    'Middleware %s.process_exception must return None, Response or Request, got %s' % \    (six.get_method_self(method).__class__.__name__, type(response))    if response:    defer.returnValue(response)    defer.returnValue(_failure)    deferred = mustbe_deferred(process_request, request)    deferred.addErrback(process_exception)    deferred.addCallback(process_response)    return deferred 4. 代码

在settings.py中,配置好selenium参数:  

# 文件settings.py中   # ----------- selenium参数配置 -------------   SELENIUM_TIMEOUT = 25 # selenium浏览器的超时时间,单位秒   LOAD_IMAGE = True # 是否下载图片   WINDOW_HEIGHT = 900 # 浏览器窗口大小   WINDOW_WIDTH = 900

在spider中,生成request时,标记哪些请求需要走selenium下载:   

# 文件mySpider.py中   class mySpider(CrawlSpider):    name = "mySpiderAmazon"    allowed_domains = ['amazon.com']    custom_settings = {    'LOG_LEVEL':'INFO',    'DOWNLOAD_DELAY': 0,    'COOKIES_ENABLED': False, # enabled by default    'DOWNLOADER_MIDDLEWARES': {    # 代理中间件    'mySpider.middlewares.ProxiesMiddleware': 400,    # SeleniumMiddleware 中间件    'mySpider.middlewares.SeleniumMiddleware': 543,    # 将scrapy默认的user-agent中间件关闭    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,    },   #.....................华丽的分割线.......................   # 生成request时,将是否使用selenium下载的标记,放入到meta中   yield Request(    url = "https://www.amazon.com/",    meta = {'usedSelenium': True, 'dont_redirect': True},    callback = self.parseIndexPage,    errback = self.error   )   在下载中间件middlewares.py中,使用selenium抓取页面(核心部分)   # -*- coding: utf-8 -*-   from selenium import webdriver   from selenium.common.exceptions import TimeoutException   from selenium.webdriver.common.by import By   from selenium.webdriver.support.ui import WebDriverWait   from selenium.webdriver.support import expected_conditions as EC   from selenium.webdriver.common.keys import Keys   from scrapy.http import HtmlResponse   from logging import getLogger   import time   class SeleniumMiddleware():    # 经常需要在pipeline或者中间件中获取settings的属性,可以通过scrapy.crawler.Crawler.settings属性    @classmethod    def from_crawler(cls, crawler):    # 从settings.py中,提取selenium设置参数,初始化类    return cls(timeout=crawler.settings.get('SELENIUM_TIMEOUT'),    isLoadImage=crawler.settings.get('LOAD_IMAGE'),    windowHeight=crawler.settings.get('WINDOW_HEIGHT'),    windowWidth=crawler.settings.get('WINDOW_WIDTH')    )    def __init__(self, timeout=30, isLoadImage=True, windowHeight=None, windowWidth=None):    self.logger = getLogger(__name__)    self.timeout = timeout    self.isLoadImage = isLoadImage    # 定义一个属于这个类的browser,防止每次请求页面时,都会打开一个新的chrome浏览器    # 这样,这个类处理的Request都可以只用这一个browser    self.browser = webdriver.Chrome()    if windowHeight and windowWidth:    self.browser.set_window_size(900, 900)    self.browser.set_page_load_timeout(self.timeout) # 页面加载超时时间    self.wait = WebDriverWait(self.browser, 25) # 指定元素加载超时时间    def process_request(self, request, spider):    '''    用chrome抓取页面    :param request: Request请求对象    :param spider: Spider对象    :return: HtmlResponse响应    '''    # self.logger.debug('chrome is getting page')    print(f"chrome is getting page")    # 依靠meta中的标记,来决定是否需要使用selenium来爬取    usedSelenium = request.meta.get('usedSelenium', False)    if usedSelenium:    try:    self.browser.get(request.url)    # 搜索框是否出现    input = self.wait.until(    EC.presence_of_element_located((By.XPATH, "//div[@class='nav-search-field ']/input"))    )    time.sleep(2)    input.clear()    input.send_keys("iphone 7s")    # 敲enter键, 进行搜索    input.send_keys(Keys.RETURN)    # 查看搜索结果是否出现    searchRes = self.wait.until(    EC.presence_of_element_located((By.XPATH, "//div[@id='resultsCol']"))    )    except Exception as e:    # self.logger.debug(f'chrome getting page error, Exception = {e}')    print(f"chrome getting page error, Exception = {e}")    return HtmlResponse(url=request.url, status=500, request=request)    else:    time.sleep(3)    return HtmlResponse(url=request.url,    body=self.browser.page_source,    request=request,    # 最好根据网页的具体编码而定    encoding='utf-8',    status=200) 5. 执行结果在这里插入图片描述 在这里插入图片描述   6. 存在的问题

6.1. Spider关闭了,chrome没有退出。

2018-04-04 09:26:18 [scrapy.statscollectors] INFO: Dumping Scrapy stats:   {'downloader/response_bytes': 2092766,    'downloader/response_count': 2,    'downloader/response_status_count/200': 2,    'finish_reason': 'finished',    'finish_time': datetime.datetime(2018, 4, 4, 1, 26, 16, 763602),    'log_count/INFO': 7,    'request_depth_max': 1,    'response_received_count': 2,    'scheduler/dequeued': 2,    'scheduler/dequeued/memory': 2,    'scheduler/enqueued': 2,    'scheduler/enqueued/memory': 2,    'start_time': datetime.datetime(2018, 4, 4, 1, 25, 48, 301602)}   2018-04-04 09:26:18 [scrapy.core.engine] INFO: Spider closed (finished)

上面,我们是把browser对象放到了Middleware中间件中,只能做process_request和process_response, 没有说在中间件中介绍如何调用scrapy的close方法。

解决方案:利用信号量的方式,当收到spider_closed信号时,调用browser.quit()

6.2. 当一个项目同时启动多个spider,会共用到Middleware中的selenium,不利于并发。

因为用scrapy + selenium的方式,只有部分,甚至是一小部分页面会用到chrome,既然把chrome放到Middleware中有这么多限制,那为什么不能把chrome放到spider里面呢。这样的好处在于:每个spider都有自己的chrome,这样当启动多个spider时,就会有多个chrome,不是所有的spider共用一个chrome,这对我们的并发是有好处的。

解决方案:将chrome的初始化放到spider中,每个spider独占自己的chrome

  1. 改进版代码

在settings.py中,配置好selenium参数:

```

文件settings.py中

# ----------- selenium参数配置 -------------   SELENIUM_TIMEOUT = 25 # selenium浏览器的超时时间,单位秒   LOAD_IMAGE = True # 是否下载图片   WINDOW_HEIGHT = 900 # 浏览器窗口大小   WINDOW_WIDTH = 900 ```  在spider中,生成request时,标记哪些请求需要走selenium下载:  

# 文件mySpider.py中   # selenium相关库   from selenium import webdriver   from selenium.webdriver.support.ui import WebDriverWait   # scrapy 信号相关库   from scrapy.utils.project import get_project_settings   # 下面这种方式,即将废弃,所以不用   # from scrapy.xlib.pydispatch import dispatcher   from scrapy import signals   # scrapy最新采用的方案   from pydispatch import dispatcher   class mySpider(CrawlSpider):    name = "mySpiderAmazon"    allowed_domains = ['amazon.com']    custom_settings = {    'LOG_LEVEL':'INFO',    'DOWNLOAD_DELAY': 0,    'COOKIES_ENABLED': False, # enabled by default    'DOWNLOADER_MIDDLEWARES': {    # 代理中间件    'mySpider.middlewares.ProxiesMiddleware': 400,    # SeleniumMiddleware 中间件    'mySpider.middlewares.SeleniumMiddleware': 543,    # 将scrapy默认的user-agent中间件关闭    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,    },    # 将chrome初始化放到spider中,成为spider中的元素    def __init__(self, timeout=30, isLoadImage=True, windowHeight=None, windowWidth=None):    # 从settings.py中获取设置参数    self.mySetting = get_project_settings()    self.timeout = self.mySetting['SELENIUM_TIMEOUT']    self.isLoadImage = self.mySetting['LOAD_IMAGE']    self.windowHeight = self.mySetting['WINDOW_HEIGHT']    self.windowWidth = self.mySetting['windowWidth']    # 初始化chrome对象    self.browser = webdriver.Chrome()    if self.windowHeight and self.windowWidth:    self.browser.set_window_size(900, 900)    self.browser.set_page_load_timeout(self.timeout) # 页面加载超时时间    self.wait = WebDriverWait(self.browser, 25) # 指定元素加载超时时间    super(mySpider, self).__init__()    # 设置信号量,当收到spider_closed信号时,调用mySpiderCloseHandle方法,关闭chrome    dispatcher.connect(receiver = self.mySpiderCloseHandle,    signal = signals.spider_closed`在这里插入代码片`    )    # 信号量处理函数:关闭chrome浏览器    def mySpiderCloseHandle(self, spider):    print(f"mySpiderCloseHandle: enter ")    self.browser.quit()   #.....................华丽的分割线.......................   # 生成request时,将是否使用selenium下载的标记,放入到meta中   yield Request(    url = "https://www.amazon.com/",    meta = {'usedSelenium': True, 'dont_redirect': True},    callback = self.parseIndexPage,    errback = self.error   )  在下载中间件middlewares.py中,使用selenium抓取页面  

# -*- coding: utf-8 -*-   from selenium import webdriver   from selenium.common.exceptions import TimeoutException   from selenium.webdriver.common.by import By   from selenium.webdriver.support.ui import WebDriverWait   from selenium.webdriver.support import expected_conditions as EC   from selenium.webdriver.common.keys import Keys   from scrapy.http import HtmlResponse   from logging import getLogger   import time   class SeleniumMiddleware():    # Middleware中会传递进来一个spider,这就是我们的spider对象,从中可以获取__init__时的chrome相关元素    def process_request(self, request, spider):    '''    用chrome抓取页面    :param request: Request请求对象    :param spider: Spider对象    :return: HtmlResponse响应    '''    print(f"chrome is getting page")    # 依靠meta中的标记,来决定是否需要使用selenium来爬取    usedSelenium = request.meta.get('usedSelenium', False)    if usedSelenium:    try:    spider.browser.get(request.url)    # 搜索框是否出现    input = spider.wait.until(    EC.presence_of_element_located((By.XPATH, "//div[@class='nav-search-field ']/input"))    )    time.sleep(2)    input.clear()    input.send_keys("iphone 7s")    # 敲enter键, 进行搜索    input.send_keys(Keys.RETURN)    # 查看搜索结果是否出现    searchRes = spider.wait.until(    EC.presence_of_element_located((By.XPATH, "//div[@id='resultsCol']"))    )    except Exception as e:    print(f"chrome getting page error, Exception = {e}")    return HtmlResponse(url=request.url, status=500, request=request)    else:    time.sleep(3)    # 页面爬取成功,构造一个成功的Response对象(HtmlResponse是它的子类)    return HtmlResponse(url=request.url,    body=spider.browser.page_source,    request=request,    # 最好根据网页的具体编码而定    encoding='utf-8',    status=200)  运行结果(spider结束,执行mySpiderCloseHandle关闭chrome浏览器):

['categorySelectorAmazon1.pipelines.MongoPipeline']   2018-04-04 11:56:21 [scrapy.core.engine] INFO: Spider opened   2018-04-04 11:56:21 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)   chrome is getting page   parseProductDetail url = https://www.amazon.com/, status = 200, meta = {'usedSelenium': True, 'dont_redirect': True, 'download_timeout': 25.0, 'proxy': 'http://H37XPSB6V57VU96D:[email protected]:9020', 'depth': 0}   chrome is getting page   2018-04-04 11:56:54 [scrapy.core.engine] INFO: Closing spider (finished)   mySpiderCloseHandle: enter   2018-04-04 11:56:59 [scrapy.statscollectors] INFO: Dumping Scrapy stats:   {'downloader/response_bytes': 1938619,    'downloader/response_count': 2,    'downloader/response_status_count/200': 2,    'finish_reason': 'finished',    'finish_time': datetime.datetime(2018, 4, 4, 3, 56, 54, 301602),    'log_count/INFO': 7,    'request_depth_max': 1,    'response_received_count': 2,    'scheduler/dequeued': 2,    'scheduler/dequeued/memory': 2,    'scheduler/enqueued': 2,    'scheduler/enqueued/memory': 2,    'start_time': datetime.datetime(2018, 4, 4, 3, 56, 21, 642602)}   2018-04-04 11:56:59 [scrapy.core.engine] INFO: Spider closed (finished)

最后:【可能给予你一定的帮助】

在这里插入图片描述

这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你! 关注我的微信公众号【软件测试小dao】免费获取~

我的学习交流群:644956177 群里有技术大牛一起交流分享~

如果我的博客对你有帮助、如果你喜欢我的博客内容,请 “点赞” “评论” “收藏” 一键三连哦!