python爬虫–Scrapy框架–Scrapy+selenium实现动态爬取
前言
本文基于数据分析竞赛爬虫阶段，对使用scrapy + selenium进行新闻文本爬虫进行记录。
框架结构
start启动scrapy -> 爬虫提交链接request（可以有多条链接）给Scheduler -> Scheduler决定链接的调度（调度器应该是个优先队列，起到分配线程的作用，用分布式爬虫来加快爬取速度）-> Scheduler把请求的链接发送给下载器（下载器可以配置middlewares） -> 下载器发送request给网页服务器 -> 网络服务器将response对象返回给下载器 -> 下载器将response下载发送给爬虫 -> 爬虫解析response返回的对象并进行后续操作（给Item Pipeline发送存储请求or再次发起链接请求）
创建爬虫
cd <项目文件夹>
scrapy startproject SpiderProjectName
... ...
cd SpiderProjectName
# 创建普通爬虫
scrapy genspider spider_name xxx.com
# 创建crawlspider（可定义抓取规则，自动抓取链接）
scrapy genspider -t crawl spider_name xxx.com
配置settings
- 不遵循爬虫协议（建议改成False）
ROBOTSTXT_OBEY = False
当要用到下面的构件时，在settings.py中找到下面代码，去掉#号即可
- 开启下载器中间件
DOWNLOADER_MIDDLEWARES = {
'testSpider.middlewares.TestspiderDownloaderMiddleware': 543,
}
-
设置header
-
开启pipelines
重写方法
- 在你的spider.py文件重写start_requests(self)方法，可以传入自定义的链接请求(用函数的方式生成链接)
- 在middlewares中重写中间件方法，可以实现自己的功能（例如利用selenium进行模拟点击）
配合selenium实现动态爬取
- scrapy可以高效实现页面抓取，scrapy的crawlspider类可以自动抓取链接并前往链接解析内容。
- selenium可以实现动态点击，能够获得加载完整的page_source，与scrapy互补
selenium的安置方法
爬虫将url传入到middlewares，因此应在middlewares的process_request()方法中向服务器发送操作请求，再用driver.page_source解析网页源码，此时服务器response的源码加载了动态生成的内容
- 爬虫每发送一次url请求，process_request()调用一次。如果要加载动态内容，那么selenium只能安放在这里
crawlspider
crawlspider只能抓取response返回的源码中符合Rule的链接，再访问链接里的内容。
- 对于满足rules的链接，crawlspider会再次将这些链接向middlewares发送request，因此middlewares中的process_request, process_response方法也会再次调用
- Rule()里定义LinkExtractor规则，LinkExtractor()方法参数常用的有：allow：只有正则匹配成功的链接才捕获；restrict_xpath：规定xpath格式的链接才捕获
问题
如何才能在start_url中动态点击按钮获得下一个链接的同时，解析数据返回给爬虫，同时selenium能够在当前页面继续爬取（比如要爬取新闻文本，点击下一页按钮（按钮是js加载，因此没有链接），生成了新的页面，抓取新页面的新闻链接后，再在该页面基础上点击下一页面获得新页面源码）?
补充：process_request不能采用yield方法，因为yield方法返回的是一个包装了链接的生成器(generator)对象，而不是普通的链接，scrapy是处理不了这种对象的
解决方案
思路：将爬虫分成两步：
一、先爬取所有项目对应的所有链接，并存储到数据库中。数据库设计如下
| post_url | category |
|---|
二、在start_requests方法中，按page yield成新界面的url对爬虫发送请求。对于发送的页面链接，在process_request用selenium进行get()方法处理，并return HtmlResponse(url, body = self.driver.page_source, request = request, encoding = 'utf-8')。此时返回的页面是动态加载生成的页面，用crawlspider自动捕获新闻链接，并重新向爬虫发送请求，获得的新闻链接在parse方法中进行处理。
此时爬虫的工作就已经完成，后续只需将parse中将新闻链接中要提取的数据打包成item，并且一定要保留他的post_url，将打包好的item返回给pipeline，保存到数据库中。将一和二的数据库按照post_url进行连接，就可以得到所需要的文本信息了。此时爬虫工作成功完成。
