Scrapy框架的使用之Scrapy对接Splash

崔庆才

发布于 2018-06-25 13:15:01

2.3K0

发布于 2018-06-25 13:15:01

文章被收录于专栏：进击的Coder

在上一节我们实现了Scrapy对接Selenium抓取淘宝商品的过程，这是一种抓取JavaScript动态渲染页面的方式。除了Selenium，Splash也可以实现同样的功能。本节我们来了解Scrapy对接Splash来进行页面抓取的方式。

一、准备工作

请确保Splash已经正确安装并正常运行，同时安装好Scrapy-Splash库。

二、新建项目

首先新建一个项目，名为scrapysplashtest，命令如下所示：

scrapy startproject scrapysplashtest

新建一个 Spider，命令如下所示：

scrapy genspider taobao www.taobao.com

三、添加配置

可以参考Scrapy-Splash的配置说明进行一步步的配置，链接如下：https://github.com/scrapy-plugins/scrapy-splash#configuration。

修改settings.py，配置SPLASH_URL。在这里我们的Splash是在本地运行的，所以可以直接配置本地的地址：

SPLASH_URL = 'http://localhost:8050'

如果Splash是在远程服务器运行的，那此处就应该配置为远程的地址。例如运行在IP为120.27.34.25的服务器上，则此处应该配置为：

SPLASH_URL = 'http://120.27.34.25:8050'

还需要配置几个Middleware，代码如下所示：

DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

这里配置了三个Downloader Middleware和一个Spider Middleware，这是Scrapy-Splash的核心部分。我们不再需要像对接Selenium那样实现一个Downloader Middleware，Scrapy-Splash库都为我们准备好了，直接配置即可。

还需要配置一个去重的类DUPEFILTER_CLASS，代码如下所示：

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'

最后配置一个Cache存储HTTPCACHE_STORAGE，代码如下所示：

HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

四、新建请求

配置完成之后，我们就可以利用Splash来抓取页面了。我们可以直接生成一个SplashRequest对象并传递相应的参数，Scrapy会将此请求转发给Splash，Splash对页面进行渲染加载，然后再将渲染结果传递回来。此时Response的内容就是渲染完成的页面结果了，最后交给Spider解析即可。

我们来看一个示例，如下所示：

yield SplashRequest(url, self.parse_result,
    args={
        # optional; parameters passed to Splash HTTP API
        'wait': 0.5,
        # 'url' is prefilled from request url
        # 'http_method' is set to 'POST' for POST requests
        # 'body' is set to request body for POST requests
    },
    endpoint='render.json', # optional; default is render.html
    splash_url='<url>',     # optional; overrides SPLASH_URL
)

这里构造了一个SplashRequest对象，前两个参数依然是请求的URL和回调函数。另外我们还可以通过args传递一些渲染参数，例如等待时间wait等，还可以根据endpoint参数指定渲染接口。更多参数可以参考文档说明：https://github.com/scrapy-plugins/scrapy-splash#requests。

另外我们也可以生成Request对象，Splash的配置通过meta属性配置即可，代码如下：

yield scrapy.Request(url, self.parse_result, meta={
    'splash': {
        'args': {
            # set rendering arguments here
            'html': 1,
            'png': 1,
            # 'url' is prefilled from request url
            # 'http_method' is set to 'POST' for POST requests
            # 'body' is set to request body for POST requests
        },
        # optional parameters
        'endpoint': 'render.json',  # optional; default is render.json
        'splash_url': '<url>',      # optional; overrides SPLASH_URL
        'slot_policy': scrapy_splash.SlotPolicy.PER_DOMAIN,
        'splash_headers': {},       # optional; a dict with headers sent to Splash
        'dont_process_response': True, # optional, default is False
        'dont_send_headers': True,  # optional, default is False
        'magic_response': False,    # optional, default is True
    }
})

SplashRequest对象通过args来配置和Request对象通过meta来配置，两种方式达到的效果是相同的。

本节我们要做的抓取是淘宝商品信息，涉及页面加载等待、模拟点击翻页等操作。我们可以首先定义一个Lua脚本，来实现页面加载、模拟点击翻页的功能，代码如下所示：

function main(splash, args)
  args = {
    url="https://s.taobao.com/search?q=iPad",
    wait=5,
    page=5
  }
  splash.images_enabled = false
  assert(splash:go(args.url))
  assert(splash:wait(args.wait))
  js = string.format("document.querySelector('#mainsrp-pager div.form > input').value=%d;document.querySelector('#mainsrp-pager div.form > span.btn.J_Submit').click()", args.page)
  splash:evaljs(js)
  assert(splash:wait(args.wait))
  return splash:png()
end

我们定义了三个参数：请求的链接url、等待时间wait、分页页码page。然后禁用图片加载，请求淘宝的商品列表页面，通过evaljs()方法调用JavaScript代码，实现页码填充和翻页点击，最后返回页面截图。我们将脚本放到Splash中运行，正常获取到页面截图，如下图所示。

翻页操作也成功实现，如下图所示即为当前页码，和我们传入的页码page参数是相同的。

我们只需要在Spider里用SplashRequest对接Lua脚本就好了，如下所示：

from scrapy import Spider
from urllib.parse import quote
from scrapysplashtest.items import ProductItem
from scrapy_splash import SplashRequest

script = """
function main(splash, args)
  splash.images_enabled = false
  assert(splash:go(args.url))
  assert(splash:wait(args.wait))
  js = string.format("document.querySelector('#mainsrp-pager div.form > input').value=%d;document.querySelector('#mainsrp-pager div.form > span.btn.J_Submit').click()", args.page)
  splash:evaljs(js)
  assert(splash:wait(args.wait))
  return splash:html()
end
"""

class TaobaoSpider(Spider):
    name = 'taobao'
    allowed_domains = ['www.taobao.com']
    base_url = 'https://s.taobao.com/search?q='

    def start_requests(self):
        for keyword in self.settings.get('KEYWORDS'):
            for page in range(1, self.settings.get('MAX_PAGE') + 1):
                url = self.base_url + quote(keyword)
                yield SplashRequest(url, callback=self.parse, endpoint='execute', args={'lua_source': script, 'page': page, 'wait': 7})

我们把Lua脚本定义成长字符串，通过SplashRequest的args来传递参数，接口修改为execute。另外，args参数里还有一个lua_source字段用于指定Lua脚本内容。这样我们就成功构造了一个SplashRequest，对接Splash的工作就完成了。

其他的配置不需要更改，Item、Item Pipeline等设置与上节对接Selenium的方式相同，parse()回调函数也是完全一致的。

五、运行

接下来，我们通过如下命令运行爬虫：

scrapy crawl taobao

运行结果如下图所示。

由于Splash和Scrapy都支持异步处理，我们可以看到同时会有多个抓取成功的结果。在Selenium的对接过程中，每个页面渲染下载是在Downloader Middleware里完成的，所以整个过程是阻塞式的。Scrapy会等待这个过程完成后再继续处理和调度其他请求，这影响了爬取效率。因此使用Splash的爬取效率比Selenium高很多。

最后我们再看看MongoDB的结果，如下图所示。