黑科技Python轻松爬取网站信息，看完我是佩服得五体投地！

1. 引言

本文主要介绍如何使用Scrapy结合PhantomJS采集天猫商品内容，文中自定义了一个DOWNLOADER_MIDDLEWARES，用来采集需要加载js的动态网页内容。看了很多介绍DOWNLOADER_MIDDLEWARES资料，总结来说就是使用简单，但会阻塞框架，所以性能方面不佳。一些资料中提到了自定义DOWNLDOWNLDODOWNLOADER_HANDLER或使用scrapyjs可以解决阻塞框架的问题，有兴趣的小伙伴可以去研究一下，这里就不多说了。

2. 具体实现

2.1. 环境需求

需要执行以下步骤，准备Python开发和运行环境：

Python--官网下载安装并部署好环境变量 （本文使用Python版本为3.5.1）

lxml-- 官网库下载对应版本的.whl文件，然后命令行界面执行 "pip install .whl文件路径"

Scrapy--命令行界面执行 "pip install Scrapy"，详细请参考《Scrapy的第一次运行测试》

selenium--命令行界面执行 "pip install selenium"

PhantomJS -- 官网下载

上述步骤展示了两种安装：1，安装下载到本地的wheel包；2，用Python安装管理器执行远程下载和安装。注：包的版本需要和python版本配套

2.2. 开发和测试过程

首先找到需要采集的网页，这里简单找了一个天猫商品，网址world.tmall.com/item/52，页面如下：

然后开始编写代码，以下代码默认都是在命令行界面执行

1)，创建scrapy爬虫项目tmSpider

E:\python-3.5.1>scrapystartprojecttmSpider

2)，修改settings.py配置

更改ROBOTSTXT_OBEY的值为False；

关闭scrapy默认的下载器中间件；

加入自定义DOWNLOADER_MIDDLEWARES。

配置如下：

DOWNLOADER_MIDDLEWARES = {'tmSpider.middlewares.middleware.CustomMiddlewares':543,'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware':None}

3)，在项目目录下创建middlewares文件夹,然后在文件夹下创建middleware.py文件，代码如下：

# -*- coding: utf-8 -*-​fromscrapy.exceptionsimportIgnoreRequestfromscrapy.httpimportHtmlResponse, Response​importtmSpider.middlewares.downloaderasdownloader​classCustomMiddlewares(object):defprocess_request(self, request, spider):        url = str(request.url)        dl = downloader.CustomDownloader()        content = dl.VisitPersonPage(url)returnHtmlResponse(url, status =200, body = content)    defprocess_response(self, request, response, spider):iflen(response.body) ==100:returnIgnoreRequest("body length == 100")else:returnresponse

4)，使用selenium和PhantomJS写一个网页内容下载器，同样在上一步创建好的middlewares文件夹中创建downloader.py文件，代码如下：

# -*- coding: utf-8 -*-importtimefromscrapy.exceptionsimportIgnoreRequestfromscrapy.httpimportHtmlResponse, Responsefromseleniumimportwebdriverimportselenium.webdriver.support.uiasui​classCustomDownloader(object):def__init__(self):# use any browser you wish        cap = webdriver.DesiredCapabilities.PHANTOMJScap["phantomjs.page.settings.resourceTimeout"] =1000cap["phantomjs.page.settings.loadImages"] =Truecap["phantomjs.page.settings.disk-cache"] =Truecap["phantomjs.page.customHeaders.Cookie"] ='SINAGLOBAL=3955422793326.2764.1451802953297; 'self.driver = webdriver.PhantomJS(executable_path='F:/phantomjs/bin/phantomjs.exe', desired_capabilities=cap)wait = ui.WebDriverWait(self.driver,10)    defVisitPersonPage(self, url):print('正在加载网站.....')        self.driver.get(url)time.sleep(1)# 翻到底，详情加载js="var q=document.documentElement.scrollTop=10000"        self.driver.execute_script(js)time.sleep(5)content = self.driver.page_source.encode('gbk','ignore')print('网页加载完毕.....')returncontent​def__del__(self):        self.driver.quit()

5) 创建爬虫模块

在项目目录E:\python-3.5.1\tmSpider，执行如下代码：

E:\python-3.5.1\tmSpider>scrapy genspider tmall'tmall.com'

执行后，项目目录E:\python-3.5.1\tmSpider\tmSpider\spiders下会自动生成tmall.py程序文件。该程序中parse函数处理scrapy下载器返回的网页内容，采集网页信息的方法可以是：

使用xpath或正则方式从response.body中采集所需字段，

通过gooseeker api获取的内容提取器实现一站转换所有字段，而且不用手工编写转换用的xpath,代码如下：

# -*- coding: utf-8 -*-importtimeimportscrapy​importtmSpider.gooseeker.gsextractorasgsextractor​classTmallSpider(scrapy.Spider):name ="tmall"allowed_domains = ["tmall.com"]    start_urls = ('https://world.tmall.com/item/526449276263.htm',    )    # 获得当前时间戳defgetTime(self):        current_time = str(time.time())m = current_time.find('.')current_time = current_time[0:m]returncurrent_time​defparse(self, response):        html = response.bodyprint("----------------------------------------------------------------------------")        extra=gsextractor.GsExtractor()extra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e","淘宝天猫_商品详情30474","tmall","list")​        result = extra.extract(html)print(str(result).encode('gbk','ignore').decode('gbk'))#file_name = 'F:/temp/淘宝天猫_商品详情30474_' + self.getTime() + '.xml'#open(file_name,"wb").write(result)

6)，启动爬虫

在E:\python-3.5.1\tmSpider项目目录下执行命令

E:\python-3.5.1\simpleSpider>scrapycrawltmall

输出结果:

提一下，上述命令只能一次启动一个爬虫，如果想同时启动多个呢？那就需要自定义一个爬虫启动模块了，在spiders下创建模块文件runcrawl.py，代码如下：

# -*- coding: utf-8 -*-​importscrapyfromtwisted.internetimportreactorfromscrapy.crawlerimportCrawlerRunner​fromtmallimportTmallSpider...spider = TmallSpider(domain='tmall.com')runner = CrawlerRunner()runner.crawl(spider)...d = runner.join()d.addBoth(lambda_: reactor.stop())reactor.run()

执行runcrawl.py文件，输出结果：

以自定义DOWNLOADER_MIDDLEWARES调用PhantomJs的方式实现爬虫后，在阻塞框架的问题上纠结了很长的时间，一直在想解决的方式。后续会研究一下scrapyjs，splash等其他调用浏览器的方式看是否能有效的解决这个问题。

声明：本文于网络整理，著作权归原作者所有，如有侵权，请联系小编删除。