目前,为了加速页面的加载速度,页面的很多部分都是用JS生成的,而对于用scrapy爬虫来说就是一个很大的问题,因为scrapy没有JS engine,所以爬取的都是静态页面,对于JS生成的动态页面都无法获得。
解决方案:
- 利用第三方中间件来提供JS渲染服务: scrapy-splash 等。
- 利用webkit或者基于webkit库
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。
下面就来讲一下如何使用scrapy-splash:
-
利用pip安装scrapy-splash库:
$ pip install scrapy-splash -
scrapy-splash使用的是Splash HTTP API, 所以需要一个splash instance,一般采用docker运行splash,所以需要安装docker。
-
安装docker, 安装好后运行docker。
-
拉取镜像(pull the image):
$ docker pull scrapinghub/splash -
用docker运行scrapinghub/splash:
$ docker run -p 8050:8050 scrapinghub/splash -
配置splash服务(以下操作全部在settings.py):
1)添加splash服务器地址:
SPLASH_URL = ‘http://localhost:8050‘
2)将splash middleware添加到DOWNLOADER_MIDDLEWARE中:
DOWNLOADER_MIDDLEWARES = { ‘scrapy_splash.SplashCookiesMiddleware‘: 723, ‘scrapy_splash.SplashMiddleware‘: 725, ‘scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware‘: 810, }
3)Enable SplashDeduplicateArgsMiddleware:
SPIDER_MIDDLEWARES = { ‘scrapy_splash.SplashDeduplicateArgsMiddleware‘: 100, }
4)Set a custom DUPEFILTER_CLASS:
DUPEFILTER_CLASS = ‘scrapy_splash.SplashAwareDupeFilter‘
5)a custom cache storage backend:
HTTPCACHE_STORAGE = ‘scrapy_splash.SplashAwareFSCacheStorage‘
-
例子
获取html内容:
import scrapy from scrapy_splash import SplashRequest class MySpider(scrapy.Spider): start_urls = ["http://example.com", "http://example.com/foo"] def start_requests(self): for url in self.start_urls: yield SplashRequest(url, self.parse, args={‘wait‘: 0.5}) def parse(self, response): # response.body is a result of render.html call; it # contains HTML processed by a browser. # ...