Python spider Scrapy 中间件 获取新闻

Posted 2022-12-06 Adorable_Rocy

前言：Scrapy因为请求到的都是静态的数据，动态数据无法获取，拿应该怎么解决呢？

1.获取新闻的第一步

解析静态网址

根据抓包可以查看是否是静态数据，根据固定的数据进行解析

2.使用selenium+中间件完成动态数据的解析

提示：chromedriver.exe文件需要到官网中查看对应的浏览器版本进行操作

# 在spider文件中
# 开启浏览器
 def __init__(self):
        self.bro = webdriver.Chrome(executable_path='D:\\PY\\chromedriver.exe')
# 在结束的时候关闭浏览器
 def closed(self, spider):
        self.bro.quit()

• 结合 middlewares.py，对于数据返回值进行拦截：

   # 4.通过中间件完成动态数据的获取
    def process_response(self, request, response, spider):
        bro = spider.bro
        # modules_url 是spider文件中添加的新闻网页数据，如果请求来自其中，则进行拦截返回客户端动态数据
        if request.url in spider.modules_url:
            bro.get(request.url)
            # 动态数据返回
            page_text = bro.page_source
            n_response = htmlResponse(url=request.url, body=page_text, encoding='utf-8', request=request)
            return n_response
        else:
            return response

3.获取详情数据之后，开启管道持久化数据

 fp = None

    def open_spider(self, spider):
        print("开始爬虫")
        # 需要使用全局变量赋值
        self.fp = open('./news163item.txt', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        # 3. 解析管道数据
        title = item['title']
        content = item['content']

        content = title + "\\n" + content
        self.fp.write(content)
        # 4.开启管道
        return item

    def close_spider(self, spider):
        print("结束爬虫")
        self.fp.close()

• 配置文件settings中都需要开启：

DOWNLOADER_MIDDLEWARES = 
   'News163Item.middlewares.News163ItemDownloaderMiddleware': 543,


ITEM_PIPELINES = 
   'News163Item.pipelines.News163ItemPipeline': 300,


USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.84 Safari/537.36'

ROBOTSTXT_OBEY = False

LOG_LEVEL = 'ERROR'

最终获取结果