Scrapy + selenium 为每个 url 请求两次
Posted
技术标签:
【中文标题】Scrapy + selenium 为每个 url 请求两次【英文标题】:Scrapy + selenium requests twice for each url 【发布时间】:2018-11-15 18:46:53 【问题描述】:import scrapy
from selenium import webdriver
class ProductSpider(scrapy.Spider):
name = "product_spider"
allowed_domains = ['ebay.com']
start_urls = ['http://www.ebay.com/sch/i.html?_odkw=books&_osacat=0&_trksid=p2045573.m570.l1313.TR0.TRC0.Xpython&_nkw=python&_sacat=0&_from=R40']
def __init__(self):
self.driver = webdriver.Firefox()
def parse(self, response):
self.driver.get(response.url)
while True:
next = self.driver.find_element_by_xpath('//td[@class="pagn-next"]/a')
try:
next.click()
# get the data and write it to scrapy items
except:
break
self.driver.close()
selenium with scrapy for dynamic page
这个解决方案效果很好,但它两次请求相同的 url,一次是由 scrapy 调度程序请求,另一次是由 selenium web 驱动程序请求。
与没有 selenium 的 scrapy 请求相比,完成这项工作需要两倍的时间。如何避免这种情况?
【问题讨论】:
如果你已经在使用 Selenium,为什么还要使用 scrapy? @VMRuiz scrapy 不仅仅是请求响应和 html 解析。它具有更多功能,最有趣的是并发性。 这种情况下,如果只想渲染网页可以使用scrapy + splash:splash.readthedocs.io/en/stable 我使用了 splash 但我无法获取一个站点的结果。其中 chrome 和 firefox 是众所周知的浏览器,它们将提供 100% 的结果。 【参考方案1】:这里有一个技巧可以用来解决这个问题。
为 selenium 创建一个网络服务,在本地运行它
from flask import Flask, request, make_response
from flask_restful import Resource, Api
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
app = Flask(__name__)
api = Api(app)
class Selenium(Resource):
_driver = None
@staticmethod
def getDriver():
if not Selenium._driver:
chrome_options = Options()
chrome_options.add_argument("--headless")
Selenium._driver = webdriver.Chrome(chrome_options=chrome_options)
return Selenium._driver
@property
def driver(self):
return Selenium.getDriver()
def get(self):
url = str(request.args['url'])
self.driver.get(url)
return make_response(self.driver.page_source)
api.add_resource(Selenium, '/')
if __name__ == '__main__':
app.run(debug=True)
现在http://127.0.0.1:5000/?url=https://***.com/users/5939254/yash-pokar 将返回您使用 selenium Chrome/Firefox 驱动程序编译的网页。
现在我们的蜘蛛会是什么样子,
import scrapy
import urllib
class ProductSpider(scrapy.Spider):
name = 'products'
allowed_domains = ['ebay.com']
urls = [
'http://www.ebay.com/sch/i.html?_odkw=books&_osacat=0&_trksid=p2045573.m570.l1313.TR0.TRC0.Xpython&_nkw=python&_sacat=0&_from=R40',
]
def start_requests(self):
for url in self.urls:
url = 'http://127.0.0.1:5000/?url='.format(urllib.quote(url))
yield scrapy.Request(url)
def parse(self, response):
yield
'field': response.xpath('//td[@class="pagn-next"]/a'),
【讨论】:
以上是关于Scrapy + selenium 为每个 url 请求两次的主要内容,如果未能解决你的问题,请参考以下文章