爬虫课堂（二十三）|使用Splash爬取动态页面（1）

2018-03-28 本文已影响0人小怪聊职场

在之前的章节中，爬取的都是静态页面中的信息，随着越来越多的网站开始用JS在客户端浏览器动态渲染网站，导致很多需要的数据并不能在原始的HTML中获取，再加上Scrapy本身并不提供JS渲染解析的功能，那么如何通过Scrapy爬取动态网站的数据呢？这一章节我们将学习这些知识。
通常对这类网站数据的爬取采用如下两种方法：

通过分析网站，找到对应数据的接口，模拟接口去获取需要的数据（一般也推荐这种方式，毕竟这种方式的效率最高），但是很多网站的接口隐藏的很深，或者接口的加密非常复杂，导致无法获取到它们的数据接口，此种方法很可能就行不通。
借助JS内核，将获取到的含有JS脚本的页面交由JS内核去渲染，最后将渲染后生成的HTML返回给Scrapy解析，Splash是Scrapy官方推荐的JS渲染引擎，它是使用Webkit开发的轻量级无界面浏览器，提供基于HTML接口的JS渲染服务。

一、搭建Splash服务
如何在Scrapy中调用Splash服务？Python库的scrapy-splash是一个非常好的选择，下面就来讲解如何使用scrapy-splash。

利用pip安装scrapy-splash库：
$ pip install scrapy-splash
scrapy-splash使用的是Splash HTTP API，所以需要一个splash instance，一般采用docker运行splash，所以需要安装docker：
$ sudo apt-get install docker
如果是Mac的话需要使用brew安装，如下：

$ ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"`
$ brew install docker

拉取镜像：
$ sudo docker pull scrapinghub/splash
如果出现如下错误时，说明已确定Docker本身已经安装正常。

Using default tag: latest
Warning: failed to get default registry endpoint from daemon (Cannot connect to the Docker daemon at unix:///var/run/docker.sock. Is the docker daemon running?). Using system default: https://index.docker.io/v1/
Cannot connect to the Docker daemon at unix:///var/run/docker.sock. Is the docker daemon running?

问题原因是因为docker服务没有启动，在相应的/var/run/ 路径下找不到docker的进程。
执行service docker start命令，启动docker服务。

使用docker开启Splash服务：
$ sudo docker run -p 8050:8050 scrapinghub/splash
在项目配置文件settings.py中配置splash服务：
1）添加splash服务器地址：
SPLASH_URL = 'http://localhost:8050'
2）将splash middleware添加到DOWNLOADER_MIDDLEWARE中：

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

3）支持cache_args（可选）：

SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

4）设置去重过滤器：
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
二、使用Splash服务
Splash功能丰富，包含多个服务端点，最常用的有两个端点：

render.html
提供JS页面渲染服务。
execute
执行用户自定义的渲染脚本，利用该端点可在页面中执行JS代码。

举一个简单的例子，使用scrapy_splash.SplashRequest渲染JS请求，如下：

import scrapy
from scrapy_splash import SplashRequest

class MySpider(scrapy.Spider):
    # 假设这个请求的页面数据是需要执行JS才能爬取的
    start_urls = ["http://example.com"]

    def start_requests(self):
        for url in self.start_urls:
            yield SplashRequest(url, self.parse, args={'images':0,'timeout': 5})

    def parse(self, response):
        # ...

上述代码中，用户只需使用scrapy_splash.SplashRequest替代scrapy.Request提交请求即可完成JS渲染，并且在SplashRequest的构造器中无须传递endpoint参数，因为该参数默认值就是‘render.html’。
下面介绍下SplashRequest构造器方法中的一些常用参数。

url
与scrapy.Request中的url相同，也就是待爬取页面的url。
headers
与scrapy.Request中的headers相同。
cookies
与scrapy.Request中的cookies相同。
args
传递给Splash的参数，如wait（等待时间）、timeout（超时时间）、images（是否禁止加载图片，0禁止，1不禁止）等。
endpoint
Splash服务端点，默认为‘render.html’，即JS页面渲染服务。
splash_url
Splash服务器地址，默认为None，即使用settings.py配置文件中的SPLASH_URL = 'http://localhost:8050'
三、项目实战
放在下一章节讲解

爬虫课堂（二十三）|使用Splash爬取动态页面（1）

猜你喜欢

热点阅读