专栏首页测试游记scrapy结合selenium进行动态加载页面内容爬取

scrapy结合selenium进行动态加载页面内容爬取

动态页面与静态页面

比较常见的页面形式可以分为两种:

  • 静态页面
  • 动态页面

静态页面和动态页面的区别

使用requests进行数据获取的时候一般使用的是respond.text来获取网页源码,然后通过正则表达式提取出需要的内容。

例如:

1import requests
2response = requests.get('https://www.baidu.com')
3print(response.text.encode('raw_unicode_escape').decode())

百度源代码.png

但是动态页面使用上述操作后发现,获取到的内容与实际相差很大。

例如我们打开如下页面:

https://www.aqistudy.cn/historydata/monthdata.php?city=北京

右键选择查看网页源代码

查看网页源代码.png

在网页源代码中查找页面中存在的一个数据:2014-02的PM10为155。

北京空气质量指数.png

这时打开F12查看Elements 可以看到155在元素中有显示

检查.png

综上基本可以明白静态页面和动态页面的区别了。

有两种方式可以获取动态页面的内容:

  • 破解JS,实现动态渲染
  • 使用浏览器模拟操作,等待模拟浏览器完成页面渲染

由于第一个比较困难所以选择方法二

需求分析

获取各个城市近年来每天的空气质量

  • 日期
  • 城市
  • 空气质量指数
  • 空气质量等级
  • pm2.5
  • pm10
  • so2
  • co
  • no2
  • o3

使用scrapy

scrapy操作的基本流程如下:

11.创建项目:scrapy startproject 项目名称
22.新建爬虫:scrapy genspider 爬虫文件名 爬虫基础域名
33.编写item
44.spider最后return item
55.在setting中修改pipeline配置
66.在对应pipeline中进行数据持久化操作

创建

打开命令行,输入scrapy startproject air_history ,创建一个名为air_history的scrapy项目

进入该文件夹,输入scrapy genspider area_spider "aqistudy.cn",可以发现在spiders文件夹下多了一个名为area_spider的py文件

文件目录结构大概如下:

 1.
 2├── air_history
 3│   ├── __init__.py
 4│   ├── items.py
 5│   ├── middlewares.py
 6│   ├── pipelines.py
 7│   ├── __pycache__
 8│   │   ├── __init__.cpython-36.pyc
 9│   │   └── settings.cpython-36.pyc
10│   ├── settings.py
11│   └── spiders
12│       ├── area_spider.py
13│       ├── __init__.py
14│       └── __pycache__
15│           └── __init__.cpython-36.pyc
16└── scrapy.cfg

编写item

根据需求编写item如下,spider最后return item,把值传递给它

 1import scrapy
 2
 3class AirHistoryItem(scrapy.Item):
 4    # define the fields for your item here like:
 5    data = scrapy.Field() #日期
 6    city = scrapy.Field() #城市
 7    aqi = scrapy.Field() #空气质量指数
 8    level = scrapy.Field() #空气质量等级
 9    pm2_5 = scrapy.Field() #pm2.5
10    pm10 = scrapy.Field() #pm10
11    so2 = scrapy.Field() #so2
12    co = scrapy.Field() #co
13    no2 = scrapy.Field() #no2
14    o3 = scrapy.Field()  #o3

编写爬虫

首先可以得知首页是https://www.aqistudy.cn/historydata/

所以将它赋值给一个名为base_url的变量,方便后续使用

自动创建的爬出中携带了爬虫的名字,这个name在启动爬虫的时候需要用到,现在暂时用不到

1name = 'area_spider'
2allowed_domains = ['aqistudy.cn']  # 爬取的域名,不会超出这个顶级域名
3base_url = "https://www.aqistudy.cn/historydata/"
4start_urls = [base_url]

城市信息

进入首页之后可以看到一大批的城市信息,所以我们第一步就是获取有哪些城市

1def parse(self, response):
2    print('爬取城市信息....')
3    url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract()  # 全部链接
4    city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract()  # 城市名称
5    for url, city in zip(url_list, city_list):
6        yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})

使用插件XPath Helper可以对xpath进行一个测试,看看定位的内容是否正确

xpath.png

随意点击一个地区可以发现url变为https://www.aqistudy.cn/historydata/monthdata.php?city=北京

所以url_list获取到的是需要进行拼接的内容monthdata.php?city=城市名称

city_list的最后部分是text()所以它拿到的是具体的文本信息

将获取到的url_list和city_list逐个传递给scrapy.Request其中url是需要继续爬取的页面地址,city是item中需要的内容,所以将item暂时存放在meta中传递给下个回调函数self.parse_month

月份信息

1def parse_month(self, response):
2    print('爬取{}月份...'.format(response.meta['city']))
3    url_list = response.xpath('//tbody/tr/td/a/@href').extract()
4    for url in url_list:
5        url = self.base_url + url
6        yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})

此步操作获取了每个城市的全部月份信息,并拿到了每个月份的url地址。把上面传递下来的city继续向下传递

最终数据

获取到最终的URL之后,把item实例化,然后完善item字典并返回item

 1def parse_day(self, response):
 2    print('爬取最终数据...')
 3    item = AirHistoryItem()
 4    node_list = response.xpath('//tr')
 5    node_list.pop(0)  # 去除第一行标题栏
 6    for node in node_list:
 7        item['data'] = node.xpath('./td[1]/text()').extract_first()
 8        item['city'] = response.meta['city']
 9        item['aqi'] = node.xpath('./td[2]/text()').extract_first()
10        item['level'] = node.xpath('./td[3]/text()').extract_first()
11        item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
12        item['pm10'] = node.xpath('./td[5]/text()').extract_first()
13        item['so2'] = node.xpath('./td[6]/text()').extract_first()
14        item['co'] = node.xpath('./td[7]/text()').extract_first()
15        item['no2'] = node.xpath('./td[8]/text()').extract_first()
16        item['o3'] = node.xpath('./td[9]/text()').extract_first()
17        yield item

使用中间件实现selenium操作

打开中间件文件middlewares.py

由于我是在服务器上进行爬取,所以我选择使用谷歌的无界面浏览器chrome-headless

1from selenium import webdriver
2from selenium.webdriver.chrome.options import Options
3
4chrome_options = Options()
5chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
6chrome_options.add_argument('--disable-gpu')
7chrome_options.add_argument('--no-sandbox')
8# 指定谷歌浏览器路径
9webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')

然后进行页面渲染后的源码获取

request.url是传递到中间件的url,由于首页是静态页面,所以首页不进行selenium操作

1if request.url != 'https://www.aqistudy.cn/historydata/':
2    self.driver.get(request.url)
3    time.sleep(1)
4    html = self.driver.page_source
5    self.driver.quit()
6    return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',request=request)

后续的操作也很简单,最后将获取到的内容正确编码后返回给爬虫的下一步

middlewares全部代码

 1from scrapy import signals
 2import scrapy
 3from selenium import webdriver
 4from selenium.webdriver.chrome.options import Options
 5import time
 6
 7
 8class AreaSpiderMiddleware(object):
 9    def process_request(self, request, spider):
10        chrome_options = Options()
11        chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
12        chrome_options.add_argument('--disable-gpu')
13        chrome_options.add_argument('--no-sandbox')
14        # 指定谷歌浏览器路径
15        self.driver = webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')
16        if request.url != 'https://www.aqistudy.cn/historydata/':
17            self.driver.get(request.url)
18            time.sleep(1)
19            html = self.driver.page_source
20            self.driver.quit()
21            return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',
22                                            request=request)

使用下载器保存item内容

修改pipelines.py进行文件的存储

 1import json
 2
 3class AirHistoryPipeline(object):
 4    def open_spider(self, spider):
 5        self.file = open('area.json', 'w')
 6
 7    def process_item(self, item, spider):
 8        context = json.dumps(dict(item),ensure_ascii=False) + '\n'
 9        self.file.write(context)
10        return item
11
12    def close_spider(self,spider):
13        self.file.close()

修改settings文件使中间件,下载器生效

打开settings.py文件

修改以下内容:DOWNLOADER_MIDDLEWARES使刚才写的middlewares中间件中的类,ITEM_PIPELINES是pipelines中的类

 1BOT_NAME = 'air_history'
 2SPIDER_MODULES = ['air_history.spiders']
 3NEWSPIDER_MODULE = 'air_history.spiders'
 4
 5USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
 6
 7DOWNLOADER_MIDDLEWARES = {
 8   'air_history.middlewares.AreaSpiderMiddleware': 543,
 9}
10
11ITEM_PIPELINES = {
12   'air_history.pipelines.AirHistoryPipeline': 300,
13}

运行

使用scrapy crawl area_spider就可以运行爬虫

结果.png

spider全部代码

 1# -*- coding: utf-8 -*-
 2import scrapy
 3from air_history.items import AirHistoryItem
 4
 5
 6class AreaSpiderSpider(scrapy.Spider):
 7    name = 'area_spider'
 8    allowed_domains = ['aqistudy.cn']  # 爬取的域名,不会超出这个顶级域名
 9    base_url = "https://www.aqistudy.cn/historydata/"
10    start_urls = [base_url]
11
12    def parse(self, response):
13        print('爬取城市信息....')
14        url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract()  # 全部链接
15        city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract()  # 城市名称
16        for url, city in zip(url_list, city_list):
17            url = self.base_url + url
18            yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})
19
20    def parse_month(self, response):
21        print('爬取{}月份...'.format(response.meta['city']))
22        url_list = response.xpath('//tbody/tr/td/a/@href').extract()
23        for url in url_list:
24            url = self.base_url + url
25            yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})
26
27    def parse_day(self, response):
28        print('爬取最终数据...')
29        item = AirHistoryItem()
30        node_list = response.xpath('//tr')
31        node_list.pop(0)  # 去除第一行标题栏
32        for node in node_list:
33            item['data'] = node.xpath('./td[1]/text()').extract_first()
34            item['city'] = response.meta['city']
35            item['aqi'] = node.xpath('./td[2]/text()').extract_first()
36            item['level'] = node.xpath('./td[3]/text()').extract_first()
37            item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
38            item['pm10'] = node.xpath('./td[5]/text()').extract_first()
39            item['so2'] = node.xpath('./td[6]/text()').extract_first()
40            item['co'] = node.xpath('./td[7]/text()').extract_first()
41            item['no2'] = node.xpath('./td[8]/text()').extract_first()
42            item['o3'] = node.xpath('./td[9]/text()').extract_first()
43            yield item

本文分享自微信公众号 - 测试游记(zx94_11),作者:zx钟

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-09-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 爬虫练习-斗鱼颜值频道

    网上抓包工具的配置教程很多例如https://www.jianshu.com/p/5539599c7a25

    zx钟
  • 爬虫练习-百度新闻

    http://news.baidu.com/ns?word=浙江大学城市学&tn=newstitle&from=news&cl=2&rn=20&ct=0

    zx钟
  • Flask(重定向和错误响应 六)

    http://127.0.0.1:5000/src/css/demo.css可以看出,这个url变成了static_url_path替换部分

    zx钟
  • scrapy爬虫标准流程

    一般我们一个小的爬虫项目,比如爬取一些文章等,直接用python的requests库,配合re模块就可以很快的完成。但是对于一些大规模的爬取,我们需要实现多线程...

    羽翰尘
  • Python爬虫从入门到放弃(十一)之 Scrapy框架整体的一个了解

    这里是通过爬取伯乐在线的全部文章为例子,让自己先对scrapy进行一个整理的理解 该例子中的详细代码会放到我的github地址:https://github.c...

    coders
  • Scrapy爬取伯乐在线

    Scrapy爬取伯乐在线文章 准备工作: python环境,我是用Anaconda Scrapy环境,上一篇文章提到过 MySQL,我们准备将爬取的数据保存到M...

    听城
  • 爬虫学习

    安装Anaconda(集成环境), 安装成功后能够提供一种基于浏览器的可视化工具 ---Jupyter.

    py3study
  • 爬虫 | Scrapy实战腾讯招聘

    这个文章的技术含量并不高,旨在练习scrapy框架的基本用法,熟悉框架下各个文件的作用。 先上一波爬取结果:

    咸鱼学Python
  • 一个scrapy框架的爬虫(爬取京东图书)

    我们的这个爬虫设计来爬取京东图书(jd.com)。 scrapy框架相信大家比较了解了。里面有很多复杂的机制,超出本文的范围。 1、爬虫spider tips:...

    用户1225216
  • Scrapy框架之批量下载360妹纸图

    0.导语1.项目初始化2.定义存储结构3.Spider核心代码4.pipeline下载及存储5.json知识

    公众号guangcity

扫码关注云+社区

领取腾讯云代金券