scrapy笔记三（selenium）

前言

继续

实例--------->爬取简书

用普通selenium方式抓取数据

首先打开网站

发现需要点击展开更多才能获取想要的信息，只能通过selelnium来实现

可以看到，目标元素的class的值是经过压缩加密的，这是一种反爬措施。每一次重新更新网站结构时，这个class的名称都会发生改变
所以可以通过结构来找到这个元素，这个网站的元素经常变化，需要有可靠定位方法这样爬虫会存活久一点
代码如下

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from scrapy.http.response.html import HtmlResponse

class JianshuDownloaderMiddleware:
    def __init__(self):
        self.driver = webdriver.Chrome()

    def process_request(self, request, spider):
        # 然后用selenium去请求
        self.driver.get(request.url)

        next_btn_xpath = "//div[@role='main']/div[position()=1]/section[last()]/div[position()=1]/div"
        WebDriverWait(self.driver, 5).until(
            EC.element_to_be_clickable((By.XPATH, next_btn_xpath))
        )

        while True:
            try:
                next_btn = self.driver.find_element_by_xpath(next_btn_xpath)
                self.driver.execute_script("arguments[0].click();", next_btn)
            except Exception as e:
                break

        # 把selenium获得的网页数据，创建一个Response对象返回给spider
        response = HtmlResponse(request.url,body=self.driver.page_source,request=request,encoding='utf-8')
        return response

有些东西不会用没事，目前能看懂就可以
主要要知道这里在中间件构造了一个类，包含selenium方法，返回response给spider
对一些难的地方还是比较抗拒，但是也有挑战性的刺激感

接着还要在settings.py中打开中间件

DOWNLOADER_MIDDLEWARES = {
     
   'jianshu.middlewares.JianshuDownloaderMiddleware': 543,
}

总结

1.这次scrapy 集成selenium的案例难点在元素定位，网站的反爬技术使得定位比较困难，出错不要紧，重点是能找到并解决出错的原因
这里常见的timeout错误就是未找到元素出现的
2.遇到直接断出且没有明显出错提示时的情况 时，原因难以判断，这种情况比较打击信心。为了帮助自己调试，需要写代码时注意用try except Exception as e,另外尝试点击小虫子调试
自动化爬取网页过程中可能就卡在某一个网页上面，这种情况只要用调试的方法找到错误，有可能就是因为某个地方元素定位失败，陷入死循环
3.scrapy框架优越性在这里已经有所体现，写好中间件以后，中间件自动爬取并返回response，便于集中精力在spider里编写解析、提取代码，这样分工明确，令人愉快
4.后续的存储任务可以通过，item,pipeline来实现有关这个自己应当主动练习，不练则不会

后续及下一步

进一步编写代码试图打印解析内容失败，控制台没有内容，存储没有尝试
强行学习下去可能效率不会高，scrapy的selenium先到这里
初步想法是，下一步学习论文网站项目构建的同时利用scrapy为微信公众号搜集素材，图片音乐，熟悉框架文件下载