scrapy 中间件分为两种:
一种是: 下载器和引擎之间的下载器中间件
作用: 处于引擎和下载器之间, 此中间件可以拦截整个工程中发起的请求和响应数据
另一种是: 爬虫程序跟引擎之间的下载器中间件
拦截请求干什么?
代理 ip : request.meta['proxy'] = 'http://ip:port'
UA 伪装 : request.headers['User-Agent'] = 'xxxxxx'
拦截响应干什么?
篡改响应数据 (基本上不会对响应数据进行修改)
更换响应对象 (基本上就是用来更改代理 ip)
在 scrapy 中使用 selenium
在爬虫类中定义一个 bro 属性 (selenium 实例化的一个浏览器对象)
在爬虫类中重写一个 closed(self,spider), 在该方法中关闭浏览器对象
在中间件的 process_response 中通过 spider 参数爬取爬虫类中的 bro 属性
在中间件中编写浏览器自动化操作获取页面源码数据
将页面源码数据作为新响应对象的响应数据
将新的响应对象返回
基于 crawlSpider 的全站数据爬取
crawlSpider 和 Spider 之间的关联
crawlSpider 是 Spider 的一个子类
创建一个基于 crawlSpider 的爬虫文件
scrapy genspider -t crawl pcpro www.xxx.com
实例代码:
爬虫文件代码:
- import scrapy
- from scrapy.linkextractors import LinkExtractor
- from scrapy.spiders import CrawlSpider, Rule
- from sunShinePro.items import SunshineproItem,sunConetent
- # http://wz.sun0769.com/index.php/question/questionType?type=4&page=30
- class SunSpider(CrawlSpider):
- name = 'sun'
- # allowed_domains = ['www.xxx.com']
- start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']
- #链接提取器
- #作用: 根据 指定的规则 (allow: 正则) 提取页面源码中指定的连接
- link = LinkExtractor(allow=r'type=4&page=\d+')
- link_detail = LinkExtractor(allow='question/\d+/\d+\.shtml')
- rules = (
- #规则解析器: 将连接提取器提取到的连接对应的页面源码数据 根据指定规则 (callback) 进行数据解析
- Rule(link, callback='parse_item', follow=False),
- Rule(link_detail, callback='parse_detail'),
- )
- def parse_detail(self,response):
- content = response.xpath('/html/body/div[9]/table[2]//tr[1]/td/div[2]//text()').extract()
- content = ''.join(content)
- item = sunConetent()
- item['content'] = content
- yield item
- def parse_item(self, response):
- #注意: 如果 xpath 定位的标签中存在 tbody, 则需要跳过 tbody
- tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
- for tr in tr_list:
- title = tr.xpath('./td[2]/a[2]/text()').extract_first()
- status = tr.xpath('./td[3]/span/text()').extract_first()
- item = SunshineproItem()
- item['title'] = title
- item['status'] = status
- yield item
pipelines.py 中
- class SunshineproPipeline(object):
- def process_item(self, item, spider):
- if item.__class__.__name__ == 'SunshineproItem':
- print(item['title'], item['status'])
- else:
- print(item['content'])
- return item
记得要在 settings.py 中打开管道
spider 和 selenium 一起使用
实例代码:
爬虫文件代码. py
- import scrapy
- from selenium import webdriver
- class WangyiSpider(scrapy.Spider):
- name = 'wangyi'
- # allowed_domains = ['www.xxx.com']
- start_urls = ['https://news.163.com/world/']
- #实例化一个浏览器对象
- bro = webdriver.Chrome(executable_path=r'C:\Users\old-boy\Desktop \ 爬虫 \ day05 爬虫 \ chromedriver.exe')
- def parse(self, response):
- div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div')
- for div in div_list:
- title = div.xpath('.//div[@class="news_title"]//a/text()').extract_first()
- detail_url = div.xpath('.//div[@class="news_title"]//a/@href').extract_first()
- yield scrapy.Request(detail_url,self.parse_detail)
- print(title,detail_url)
- def parse_detail(self,response):
- content = response.xpath('//*[@id="endText"]//text()').extract()
- content = ''.join(content)
- print(content)
- def closed(self,spider):
- self.bro.quit()
middlewares.py 中
- class WangyiproDownloaderMiddleware(object):
- #spider 表示的就是爬虫类实例化的对象
- def process_response(self, request, response, spider):
- #将不符合需求的响应对象修改成符合需求的
- #body: 响应数据
- #如何获取爬虫类中生成的浏览器对象呢?
- if request.url == 'https://news.163.com/world/':
- bro = spider.bro
- bro.get('https://news.163.com/world/')
- sleep(2)
- #滚动条滚动到最底部
- bro.excute_script('window.scrollTo(0,document.body.scrollHeight)')
- sleep(1)
- bro.excute_script('window.scrollTo(0,document.body.scrollHeight)')
- sleep(1)
- bro.excute_script('window.scrollTo(0,document.body.scrollHeight)')
- sleep(1)
- page_text = bro.page_source
- new_response = HtmlResponse(url=bro.current_url,body=page_text,encoding='utf-8',request=request)
- return new_response
- else:
- return response #一定要返回原始数据, 否则只能获取到一部分内容
在 settings.py 中我们要配置以下参数:
- # 下载器和引擎之间的中间件
- DOWNLOADER_MIDDLEWARES = {
- 'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,
- }
来源: http://www.bubuko.com/infodetail-3098003.html