第8章 scrapy进阶开发(2)
8-4 selenium集成到scrapy中
其实也没什么好说的直接上代码
这是在middlewares.py中定义的一个class：
1 from selenium.common.exceptions import TimeoutException 2 from scrapy.http import HtmlResponse #传递js加载后的源代码,不会返回给download 3 class JSPageMiddleware(object): 4 #通过chrome请求动态网页 5 def process_request(self, request, spider): 6 if spider.name == "JobBole": 7 try: 8 spider.browser.get(request.url) 9 except TimeoutException: 10 print('30秒timeout之后，直接结束本页面') 11 spider.browser.execute_script('window.stop()') 12 import time 13 time.sleep(3) 14 print("访问:{0}".format(request.url)) 15 16 return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source, encoding="utf-8", request=request) 17 '''编码默认是unicode'''
spider中的代码：
1 name = "JobBole" 2 allowed_domains = ["jobbole.com"] 3 start_urls = ['http://blog.jobbole.com/all-posts/'] 4 5 def __init__(self): 6 '''chrome放在spider中，防止每打开一个url就跳出一个chrome''' 7 self.browser=webdriver.Chrome(executable_path='E:/chromedriver.exe') 8 self.browser.set_page_load_timeout(30) 9 super(JobboleSpider, self).__init__() 10 dispatcher.connect(self.spider_close,signals.spider_closed) 11 12 def spider_close(self,spider): 13 #当爬虫退出的时候关闭Chrome 14 print("spider closed") 15 self.browser.quit()
把selenium集成到scrapy中主要改变的就是这两处地方。
以上的在scrapy中嵌入selenium的chrome并不是异步的，所以效率会变差。
这里都是部分代码，完整代码链接：https://github.com/pujinxiao/jobbole_spider
8-5 其余动态网页获取技术介绍-chrome无界面运行、scrapy-splash、selenium-grid, splinter
1.chrome无界面运行
主要是以下代码（不能在windows上运行）：
1 from pyvirtualdisplay import Display 2 display = Display(visible=0, size=(800, 600)) 3 display.start() 4 5 browser = webdriver.Chrome() 6 browser.get()
2.scrapy-splash
Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python实现的，同时使用Twisted和QT。Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力。
可以在scrapy中处理ajax来抓取动态的数据，没有chrome那么稳定。
更多介绍 传送门
3.selenium-grid（自行百度查看）
4.splinter
8-6 scrapy的暂停与重启
在命令行：scrapy crawl lagou -s JOBDIR=job_info/001
只要按一次 ctrl+c 就会暂停爬虫，重新启动一样的命令再运行一边。
会生成以下文件：
在requests.queue文件中有以下文件：
如果要保存在不同的文件那就修改不同路径就好了，spider会重新从第一个url开始爬取。
8-7 scrapy url去重原理
相关代码都在dupefilter.py中
其实就是做了一个哈希摘要，放在set中，去查新的url是否在set中。
8-8 scrapy telnet服务
详细的介绍在scrapy文档中都有，传送门。
你可以在cmd中监听spider中的变量。先要在控制面板中打开telnet客户端和服务端，在cmd中输入 telnet localhost 6023 即可。
但是不知道为什么，win10中没有telnet服务端，而且我打开telnet的后不能输入字母（待解决）
8-9 spider middleware 详解
平时也没怎么用到，理解的也不够透彻。scrapy的中文文档中也写的很详细，传送门，大家可以参考。
主要是这么几个文件：
depth.py:爬取深度的设置
httperror.py：状态的设置，比如是不是要把404的也抓取下来，等等。
其他的话自己了解把，需要的时候在深入了解做下笔记。
8-10 scrapy的数据收集 和 8-11 scrapy信号详解
文档说明，数据收集传送门。在工作中没有用到，用到了再细写，这样理解更好。
scrapy信号是非常重要的，之前在selenium中chrome就是用信号量，当spider关闭时，再关闭chrome。信号量详解传送门。
实例就是伯乐在线的例子：
部分代码如下（可以借鉴，其实也包含了8-11信号量的代码）：
1 #收集伯乐在线所有404的url以及404页面数 2 handle_httpstatus_list = [404] 3 4 def __init__(self, **kwargs): 5 self.fail_urls = [] 6 dispatcher.connect(self.handle_spider_closed, signals.spider_closed) 7 8 def handle_spider_closed(self, spider, reason): 9 self.crawler.stats.set_value("failed_urls", ",".join(self.fail_urls)) 10 11 def parse(self, response): 12 """ 13 1. 获取文章列表页中的文章url并交给scrapy下载后并进行解析 14 2. 获取下一页的url并交给scrapy进行下载， 下载完成后交给parse 15 """ 16 #解析列表页中的所有文章url并交给scrapy下载后并进行解析 17 if response.status == 404: 18 self.fail_urls.append(response.url) 19 self.crawler.stats.inc_value("failed_url") 20 21 post_nodes = response.css("#archive .floated-thumb .post-thumb a") 22 for post_node in post_nodes: 23 image_url = post_node.css("img::attr(src)").extract_first("") 24 post_url = post_node.css("::attr(href)").extract_first("") 25 yield Request(url=parse.urljoin(response.url, post_url), meta={"front_image_url":image_url}, callback=self.parse_detail)
全部代码移步github：https://github.com/pujinxiao/jobbole_spider/blob/master/bole/spiders/JobBole.py
结果： （错误的url也被统计记录下来了）
8-12 scrapy扩展开发
扩展之间看文档，传送门。
作者：今孝
出处：http://www.cnblogs.com/jinxiao-pu/p/6815845.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。
觉得好就点个推荐吧！
