selenium的使用技巧及集成到scrapy

为了爬取拉钩,今天学习了selenum的使用技巧.

 

from scrapy.http import HtmlResponse

 

class JSPageMiddleware(object):

 

    def process_request(self, request, spider):

        if spider.name == "zhihu":

            browser = webdriver.Firefox(executable_path="C:/codeapp/seleniumDriver/firefox/geckodriver.exe")

            browser.get(request.url)

            time.sleep(3)

            print("访问：{0}".format(request.url))

            # 请求已完成，所以不用再发送到下载器。用HtmlResponse 之后就不会发送到downlaoder,而是直接返回给spider

            return HtmlResponse(url=browser.current_url, body=browser.page_source, encoding="utf-8", request=request)

 

这样有个不好的地方就是每次来一个请求时都会启动一次浏览器,浏览器启动是很慢的,可以在类中初始化一个浏览器,

class JSPageMiddleware(object):

    def __init__(self):

        self.browser=webdriver.Firefox(executable_path="C:/codeapp/seleniumDriver/firefox/geckodriver.exe")

        super(JSPageMiddleware,self).__init__()

 

    def process_request(self, request, spider):

        if spider.name == "zhihu":

            self.browser.get(request.url)

            time.sleep(3)

            print("访问：{0}".format(request.url))

            # 请求已完成，所以不用再发送到下载器。用HtmlResponse 之后就不会发送到downlaoder,而是直接返回给spider

            return HtmlResponse(url=self.browser.current_url, body=self.browser.page_source, encoding="utf-8", request=request)

 

用上述方法,爬虫自动关闭时,浏览器不会关闭,并且每个spider会共用一个打开的浏览器,这样也不方便调试,可以把这个初始化的工作放在各个spider中

# -*- coding: utf-8 -*-

import scrapy

from selenium import webdriver

from scrapy import signals

from scrapy.xlib.pydispatch import dispatcher

from scrapy.http import HtmlResponse

 

 

class ZhihuSpider(scrapy.Spider):

    name = 'zhihu'

    allowed_domains = ['oschina.net/blog']

    start_urls = ['https://www.oschina.net/blog']

 

    def __init__(self):

        self.browser = webdriver.Firefox(executable_path="C:/codeapp/seleniumDriver/firefox/geckodriver.exe")

        super(ZhihuSpider, self).__init__()

#传递信息,也就是当爬虫关闭时scrapy会发出一个spider_closed的信息,当这个信号发出时就调用closeSpider函数关闭这个浏览器.

        dispatcher.connect(self.closeSpider, signals.spider_closed)

 

    def closeSpider(self, spider):

        print("spider closed")

        # 当爬虫退出的时关闭浏览器

        self.browser.quit()

 

    def parse(self, response):

        # data=response.css(".SignFlow-accountInpu input[]").extract()

        pass

 

Middleware 中的类

class JSPageMiddleware(object):

    def process_request(self, request, spider):

        if spider.name == "zhihu":

            spider.browser.get(request.url)

            time.sleep(3)

            print("访问：{0}".format(request.url))

            return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source, encoding="utf-8",request=request)

 

注意 上面三种方法都必须在settings中把JSPageMiddleware加入

DOWNLOADER_MIDDLEWARES = {

# 'outlook.middlewares.MyCustomDownloaderMiddleware': 543,

'outlook.middlewares.JSPageMiddleware': 1,