Scrapy 和 Pyppeteer 更优雅的对接方案
Scrapy 和 Pyppeteer 更优雅的对接方案
“
阅读本文大概需要 3 分钟。
”
现在越来越多的网页都已经演变为 SPA 页面，而且越来越多的网站采用了各种 JavaScript 混淆和加密技术，这使得 JavaScript 逆向难度变得很大，Ajax 接口模拟爬取也变得越发困难，因此模拟浏览器爬取不失为一个不错的爬取方案。
之前我们也介绍过 Selenium、Pyppeteer、Puppeteer 等模拟浏览器爬取的工具，也介绍过 Scrapy 爬虫框架的使用，也介绍过 Scrapy + Selenium 和 Pyppeteer 的不太成熟的对接方式。
另外，想必用过最新版 Scrapy 的朋友已经发现了，Scrapy 2.0+ 中支持了异步 async 的特性，在 Scrapy 中我们已经可以定义异步方法来实现数据爬取和处理了，而 Pyppeteer 同样也是一个支持异步的浏览器渲染库。
所以我们本节课就来介绍一下 Scrapy 和 Pyppeteer 的正确对接方式。
回顾
之前我们介绍过了 Scrapy 中 Downloader Middleware 的用法，在 Downloader Middleware 中有三个我们可以实现的方法 process_request、process_response 以及 process_exception 方法。
我们再看下 process_request 方法和其不同的返回值的效果：
•当返回是 None 时，Scrapy 将继续处理该 Request，接着执行其他 Downloader Middleware 的 process_request 方法，一直到 Downloader 把 Request 执行后得到 Response 才结束。这个过程其实就是修改 Request 的过程，不同的 Downloader Middleware 按照设置的优先级顺序依次对 Request 进行修改，最后送至 Downloader 执行。•当返回为 Response 对象时，更低优先级的 Downloader Middleware 的 process_request 和 process_exception 方法就不会被继续调用，每个 Downloader Middleware 的 process_response 方法转而被依次调用。调用完毕之后，直接将 Response 对象发送给 Spider 来处理。•当返回为 Request 对象时，更低优先级的 Downloader Middleware 的 process_request 方法会停止执行。这个 Request 会重新放到调度队列里，其实它就是一个全新的 Request，等待被调度。如果被 Scheduler 调度了，那么所有的 Downloader Middleware 的 process_request 方法会被重新按照顺序执行。•如果 IgnoreRequest 异常抛出，则所有的 Downloader Middleware 的 process_exception 方法会依次执行。如果没有一个方法处理这个异常，那么 Request 的 errorback 方法就会回调。如果该异常还没有被处理，那么它便会被忽略。
这里我们注意到第二个选项，当返回结果为 Response 对象时，低优先级的 process_request 方法就不会被继续调用了，这个 Response 对象会直接经由 process_response 方法处理后直接转交给 Spider 来解析。
然后再接着想一想，process_request 接收的参数是 request，即 Request 对象，怎么会返回 Response 对象呢？原因可想而知了，这个 Request 对象不再经由 Scrapy 的 Downloader 来处理了，而是在这个 process_request 方法里面我们直接就完成了 Request 的发送操作，直接在得到了对应的 Response 结果，然后再将其返回就好了。那么对于 JavaScript 渲染的页面来说，照这个方法来做，我们就可以把 Selenium 或 Pyppeteer 加载页面的过程在 process_request 方法里面实现，得到网页渲染完后的源代码然后直接构造 Response 返回即可，这样我们就完成了借助于 Downloader Middleware 实现 Scrapy 爬取动态渲染页面的过程。
案例
本节我们就用实例来讲解一下 Scrapy 和 Pyppeteer 实现 JavaScript 渲染页面抓取的流程。
本节使用的实例网站为 https://dynamic5.scrape.center/，这是一个 JavaScript 渲染页面，其内容是一本本的图书信息。
同时这个网站的页面带有分页功能，只需要在 URL 加上 /page/ 和页码就可以跳转到下一页，如 https://dynamic5.scrape.center/page/2 就是第二页内容，https://dynamic5.scrape.center/page/3 就是第三页内容。
那我们这个案例就来试着爬取一下前十页的图书信息吧。
实现
首先我们来新建一个项目，叫做 scrapypyppeteer，命令如下：
scrapy startproject scrapypyppeteer接着进入项目，然后新建一个 Spider，名称为 book，命令如下：
cd scrapypyppeteer
scrapy genspider book dynamic5.scrape.center这时候可以发现在项目的 spiders 文件夹下就出现了一个名为 spider.py 的文件，内容如下：
import scrapy
class BookSpider(scrapy.Spider):
name = 'book'
allowed_domains = ['dynamic5.scrape.center']
start_urls = ['http://dynamic5.scrape.center/']
def parse(self, response):
pass首先我们构造一下列表页的初始请求，实现一个 start_requests 方法如下：
from scrapy import Request, Spider
class BookSpider(Spider):
name = 'book'
allowed_domains = ['dynamic5.scrape.center']
base_url = 'https://dynamic5.scrape.center/page/{page}'
max_page = 10
def start_requests(self):
for page in range(1, self.max_page + 1):
url = self.base_url.format(page=page)
yield Request(url, callback=self.parse_index)
def parse_index(self, response):
print(response.text)这时候如果我们直接运行这个 Spider，在 parse_index 方法里面打印输出 Response 的内容，结果如下：
这时候我们可以发现我们所得到的内容并不是页面渲染后的真正 HTML 代码。
此时如果我们想要获取 HTML 渲染结果的话就得使用 Downloader Middleware 来实现了。
这里我们直接拿一个我已经写好的组件来演示了，组件的名称叫做 GerapyPyppeteer，这里面已经写好了 Scrapy 和 Pyppeteer 结合的中间件，下面我们来介绍下。
我们可以借助于 pip3 来安装，命令如下：
pip3 install gerapy-pyppeteerGerapyPyppeteer 提供了两部分内容，一部分是 Downloader Middleware，一部分是 Request。
首先我们需要开启中间件，在 settings 里面开启 PyppeteerMiddleware，配置如下：
DOWNLOADER_MIDDLEWARES = {
'gerapy_pyppeteer.downloadermiddlewares.PyppeteerMiddleware': 543,
}然后我们把上文定义的 Request 修改为 PyppeteerRequest 即可：
from gerapy_pyppeteer import PyppeteerRequest
from scrapy import Request, Spider
class BookSpider(Spider):
name = 'book'
allowed_domains = ['dynamic5.scrape.center']
base_url = 'https://dynamic5.scrape.center/page/{page}'
max_page = 10
def start_requests(self):
for page in range(1, self.max_page + 1):
url = self.base_url.format(page=page)
yield PyppeteerRequest(url, callback=self.parse_index, wait_for='.item .name')
def parse_index(self, response):
print(response.text)这样其实就完成了 Pyppeteer 的对接了，非常简单。
这里 PyppeteerRequest 和原本的 Request 多提供了一个参数，就是 wait_for，通过这个参数我们可以指定 Pyppeteer 需要等待特定的内容加载出来才算结束，然后才返回对应的结果。
为了方便观察效果，我们把并发限制修改得小一点，然后把 Pyppeteer 的 Headless 模式设置为 False：
CONCURRENT_REQUESTS = 3
GERAPY_PYPPETEER_HEADLESS = False这时候我们重新运行下 Spider，这时候我们就可以看到在爬取的过程中，Pyppeteer 对应的 Chromium 浏览器就弹出来了，并逐个加载对应的页面内容，加载完成之后浏览器关闭。
另外观察下控制台，我们发现对应的结果也就被提取出来了，如图所示：
这时候我们再重新修改下 parse_index 方法，提取对应的每本书的名称和作者即可：
def parse_index(self, response):
for item in response.css('.item'):
name = item.css('.name::text').extract_first()
authors = item.css('.authors::text').extract_first()
name = name.strip() if name else None
authors = authors.strip() if authors else None
yield {
'name': name,
'authors': authors
}重新运行，即可发现对应的名称和作者就被提取出来了，运行结果如下：
这样我们就借助于 GerapyPyppeteer 完成了 JavaScript 渲染页面的爬取。
原理分析
但上面仅仅是我们借助于 GerapyPyppeteer 实现了 Scrapy 和 Pyppeteer 的对接，但其背后的原理是怎样的呢？
我们可以分析下它的源码来看一下。
其 GitHub 地址为 https://github.com/Gerapy/GerapyPyppeteer，我们下载下来看下。
首先分析发现其最核心的内容就是实现了一个 PyppeteerMiddleware，这是一个 Downloader Middleware，这里最主要的就是 process_request 的实现，核心代码如下：
def process_request(self, request, spider):
logger.debug('processing request %s', request)
return as_deferred(self._process_request(request, spider))这里其实就是调用了一个 _process_request 方法，这个方法的返回结果被 as_deferred 方法调用了。
这个 as_deferred 是怎么定义的呢？代码如下：
import asyncio
from twisted.internet.defer import Deferred
def as_deferred(f):
return Deferred.fromFuture(asyncio.ensure_future(f))这个方法接受的就是一个 asyncio 库的 Future 对象，然后通过 fromFuture 方法转化成了 twisted 里面的 Deferred 对象。这个的原因是 Scrapy 本身的异步是借助于 twisted 的实现的，一个个的异步任务对应的对象就是 Deferred 对象，而 Pyppeteer 又是基于 asyncio 的，它的异步任务是 Future 对象，所以这里我们需要借助 Deferred 的 fromFuture 方法将 Future 转为 Deferred 对象。
另外为了支持这个功能，我们还需要在 Scrapy 中修改 reactor 对象，修改为 AsyncioSelectorReactor，实现如下：
import sys
from twisted.internet.asyncioreactor import AsyncioSelectorReactor
import twisted.internet
reactor = AsyncioSelectorReactor(asyncio.get_event_loop())
# install AsyncioSelectorReactor
twisted.internet.reactor = reactor
sys.modules['twisted.internet.reactor'] = reactor这段代码已经在 PyppeteerMiddleware 里面定义好了，在 Scrapy 正式开始爬取之前这段代码就会被执行，将 Scrapy 中的的 reactor 修改为 AsyncioSelectorReactor，从而实现 Future 的调度。
接下来我们再来看下 _process_request 方法，实现如下：
async def _process_request(self, request: PyppeteerRequest, spider):
"""
use pyppeteer to process spider
:param request:
:param spider:
:return:
"""
options = {
'headless': self.headless,
'dumpio': self.dumpio,
'devtools': self.devtools,
'args': [
f'--window-size={self.window_width},{self.window_height}',
]
}
if self.executable_path: options['executable_path'] = self.executable_path
if self.disable_extensions: options['args'].append('--disable-extensions')
if self.hide_scrollbars: options['args'].append('--hide-scrollbars')
if self.mute_audio: options['args'].append('--mute-audio')
if self.no_sandbox: options['args'].append('--no-sandbox')
if self.disable_setuid_sandbox: options['args'].append('--disable-setuid-sandbox')
if self.disable_gpu: options['args'].append('--disable-gpu')
# set proxy
proxy = request.proxy
if not proxy:
proxy = request.meta.get('proxy')
if proxy: options['args'].append(f'--proxy-server={proxy}')
logger.debug('set options %s', options)
browser = await launch(options)
page = await browser.newPage()
await page.setViewport({'width': self.window_width, 'height': self.window_height})
# set cookies
if isinstance(request.cookies, dict):
await page.setCookie(*[
{'name': k, 'value': v}
for k, v in request.cookies.items()
])
else:
await page.setCookie(request.cookies)
# the headers must be set using request interception
await page.setRequestInterception(True)
@page.on('request')
async def _handle_interception(pu_request):
# handle headers
overrides = {
'headers': {
k.decode(): ','.join(map(lambda v: v.decode(), v))
for k, v in request.headers.items()
}
}
# handle resource types
_ignore_resource_types = self.ignore_resource_types
if request.ignore_resource_types is not None:
_ignore_resource_types = request.ignore_resource_types
if pu_request.resourceType in _ignore_resource_types:
await pu_request.abort()
else:
await pu_request.continue_(overrides)
timeout = self.download_timeout
if request.timeout is not None:
timeout = request.timeout
logger.debug('crawling %s', request.url)
response = None
try:
options = {
'timeout': 1000 * timeout,
'waitUntil': request.wait_until
}
logger.debug('request %s with options %s', request.url, options)
response = await page.goto(
request.url,
options=options
)
except (PageError, TimeoutError):
logger.error('error rendering url %s using pyppeteer', request.url)
await page.close()
await browser.close()
return self._retry(request, 504, spider)
if request.wait_for:
try:
logger.debug('waiting for %s finished', request.wait_for)
await page.waitFor(request.wait_for)
except TimeoutError:
logger.error('error waiting for %s of %s', request.wait_for, request.url)
await page.close()
await browser.close()
return self._retry(request, 504, spider)
# evaluate script
if request.script:
logger.debug('evaluating %s', request.script)
await page.evaluate(request.script)
# sleep
if request.sleep is not None:
logger.debug('sleep for %ss', request.sleep)
await asyncio.sleep(request.sleep)
content = await page.content()
body = str.encode(content)
# close page and browser
logger.debug('close pyppeteer')
await page.close()
await browser.close()
if not response:
logger.error('get null response by pyppeteer of url %s', request.url)
# Necessary to bypass the compression middleware (?)
response.headers.pop('content-encoding', None)
response.headers.pop('Content-Encoding', None)
return HtmlResponse(
page.url,
status=response.status,
headers=response.headers,
body=body,
encoding='utf-8',
request=request
)代码内容比较多，我们慢慢来说。
首先最开始的部分是定义 Pyppeteer 的一些启动参数：
options = {
'headless': self.headless,
'dumpio': self.dumpio,
'devtools': self.devtools,
'args': [
f'--window-size={self.window_width},{self.window_height}',
]
}
if self.executable_path: options['executable_path'] = self.executable_path
if self.disable_extensions: options['args'].append('--disable-extensions')
if self.hide_scrollbars: options['args'].append('--hide-scrollbars')
if self.mute_audio: options['args'].append('--mute-audio')
if self.no_sandbox: options['args'].append('--no-sandbox')
if self.disable_setuid_sandbox: options['args'].append('--disable-setuid-sandbox')
if self.disable_gpu: options['args'].append('--disable-gpu')这些参数来自于 from_crawler 里面读取项目 settings 的内容，如配置 Pyppeteer 对应浏览器的无头模式、窗口大小、是否隐藏滚动条、是否弃用沙箱等等。
紧接着就是利用 options 来启动 Pyppeteer：
browser = await launch(options)
page = await browser.newPage()
await page.setViewport({'width': self.window_width, 'height': self.window_height})这里启动了 Pyppeteer 对应的浏览器，将其赋值为 browser，然后新建了一个选项卡，赋值为 page，然后通过
setViewport 方法设定了窗口的宽高。
接下来就是对一些 Cookies 进行处理，如果 Request 带有 Cookies 的话会被赋值到 Pyppeteer 中：
# set cookies
if isinstance(request.cookies, dict):
await page.setCookie(*[
{'name': k, 'value': v}
for k, v in request.cookies.items()
])
else:
await page.setCookie(request.cookies)再然后关键的部分就是进行页面的加载了：
try:
options = {
'timeout': 1000 * timeout,
'waitUntil': request.wait_until
}
logger.debug('request %s with options %s', request.url, options)
response = await page.goto(
request.url,
options=options
)
except (PageError, TimeoutError):
logger.error('error rendering url %s using pyppeteer', request.url)
await page.close()
await browser.close()
return self._retry(request, 504, spider)这里我们首先制定了加载超时时间 timeout 还有要等待完成的事件 waitUntil，接着调用 page 的 goto 方法访问对应的页面，同时进行了异常检测，如果发生错误就关闭浏览器并重新发起一次重试请求。
在页面加载出来之后，我们还需要判定我们期望的结果是不是加载出来了，所以这里又增加了 waitFor 的调用：
if request.wait_for:
try:
logger.debug('waiting for %s finished', request.wait_for)
await page.waitFor(request.wait_for)
except TimeoutError:
logger.error('error waiting for %s of %s', request.wait_for, request.url)
await page.close()
await browser.close()
return self._retry(request, 504, spider)这里 request 有个 wait_for 属性，这里就可以定义想要加载的节点的选择器，如 .item .name 等，这样如果页面在规定时间内加载出来就会继续向下执行，否则就会触发 TimeoutError 并被捕获，关闭浏览器并重新发起一次重试请求。
等想要的结果加载出来之后，我们还可以执行一些自定义的 JavaScript 代码完成我们想要自定义的功能：
# evaluate script
if request.script:
logger.debug('evaluating %s', request.script)
await page.evaluate(request.script)最后关键的一步就是将当前页面的源代码打印出来，然后构造一个 HtmlResponse 返回即可：
content = await page.content()
body = str.encode(content)
# close page and browser
logger.debug('close pyppeteer')
await page.close()
await browser.close()
if not response:
logger.error('get null response by pyppeteer of url %s', request.url)
# Necessary to bypass the compression middleware (?)
response.headers.pop('content-encoding', None)
response.headers.pop('Content-Encoding', None)
return HtmlResponse(
page.url,
status=response.status,
headers=response.headers,
body=body,
encoding='utf-8',
request=request
)所以，如果代码可以执行到最后，返回到就是一个 Response 对象，这个 Resposne 对象的 body 就是 Pyppeteer 渲染页面后的结果，因此这个 Response 对象再传给 Spider 解析，就是 JavaScript 渲染后的页面结果了。
这样我们就通过 Downloader Middleware 通过对接 Pyppeteer 完成了 JavaScript 动态渲染页面的抓取了。
更多
另外 GerapyPyppeteer 包含的功能不止这么多，它提供了各种自定义的参数，更多的详情可以参考 GerapyPyppeteer 包的官方说明：https://github.com/Gerapy/GerapyPyppeteer
感谢支持。
崔庆才丨静觅