scrapy 动态加载下载数据

该博客介绍了如何在Python的Scrapy爬虫中集成Selenium,以便处理动态加载的内容。示例代码展示了一个Scrapy Spider,它利用Edge浏览器的服务启动中间件,针对特定网址滚动加载更多数据,并将获取到的页面源代码转化为HtmlResponse对象进行后续处理。文章还展示了如何从列表中获取模型网址,解析新闻标题和详细内容,以及在爬虫关闭时正确退出浏览器。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

配置就开启管道 中间件 之类的

中间件中改动

from scrapy.http import HtmlResponse


    def process_response(self, request, response, spider):
        bro = spider.bro
        if request.url in spider.model_urls:
            bro.get(request.url)
            # 滚动加载更多数据
            # bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
   
            page_text = bro.page_source
            new_res = HtmlResponse(url=request.url, body=page_text, encoding='utf-8', request=request)
            return new_res
        else:
            return response

爬虫文件

import scrapy
from selenium import webdriver
from selenium.webdriver.edge.service import Service
from middlePro.items import MiddleproItem


class MiddleSpider(scrapy.Spider):
    name = 'middle'
    # allowed_domains = ['www.baidu.com']
    start_urls = ['https://news.163.com/']
    model_urls = []

    def __init__(self):
        self.ser = Service(r'/Users/xiaodunmeng/Desktop/xiaoproject/shixun/xinscrapy/middlePro/middlePro/msedgedriver')
        self.bro = webdriver.Edge(service=self.ser)

    def parse(self, response):
        li_list = response.xpath('//*[@id="index2016_wrap"]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        alist = [2, 3]

        for index in alist:
            model_url = li_list[index].xpath('./a/@href').extract_first()
            self.model_urls.append(model_url)

        for url in self.model_urls:
            yield scrapy.Request(url, callback=self.parse_model)

    def parse_model(self, response):
        div_lsit = response.xpath('//div[@class="ndi_main"]/div')
        for div in div_lsit:
            title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
            new_detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()

            item = MiddleproItem()
            item['title'] = title

            yield scrapy.Request(url=new_detail_url, callback=self.parse_detail, meta={'item': item})

    def parse_detail(self, response):
        content = response.xpath('//*[@id="content"]/div[2]//text()').extract()
        content = ''.join(content)
        item = response.meta['item']
        item['content'] = content

        yield item

    def closed(self, spider):
        self.bro.quit()

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xiaodunmeng

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值