本文介绍如何结合Scrapy框架与Selenium浏览器自动化工具，爬取动态网页数据，具体展示了从项目创建、爬虫编写到数据持久化的全过程，特别针对空气质量历史数据的抓取进行了详细说明。
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())
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
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。
这时打开F12查看Elements 可以看到155在元素中有显示
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
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
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
扫一扫
7261
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
