selenium瀏覽器自動化 5 - selenium + scrapy

安裝模塊

selenium
scrapy

1. selenium
   主要先用於登入或js互動，剩餘的在使用scrapy進行爬取。

2. scrapy

Scrapy 是一个爬蟲框架,同時支持異步、多線程、速度非常快、高效，適合爬取海量數據及一層一層的爬取，

官方文檔

如何使用

• 命令行調試

scrapy shell https://doc.scrapy.org/en/latest/_static/selectors-sample1.html
# 會進入交互模式
>>> response.url # 查看當前url
'https://doc.scrapy.org/en/latest/_static/selectors-sample1.html'
>>> response.status  # 查看response狀態
200
>>> response.selector.xpath('//title/text()') # 選擇xpath
[] 
>>> sel.xpath(".//a//@href").extract() # 獲取所有a標籤的url
['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

• python 調試

from selenium import webdriver
from scrapy.selector import Selector

browser = webdriver.Chrome()

browser.get("https://w3.iiiedu.org.tw/")

sel = Selector(text=browser.page_source)

titles = sel.xpath(".//*[@id='centerBodyBox_seminar']//a//text()").extract()

print([t for t in titles])

輸出:

['<免費研討會> FB行銷@在地生活圈研討會',
 'AR/VR創新應用與視覺優化講座',
 '【免費】數位轉型系列講座：數位轉型趨勢和行動方案解析',
 '【免費】數位轉型系列講座：數位轉型勢在必行',
 '【免費】數位轉型系列講座：AIoT切入智慧醫療與照護的下一波革命',
 '【免費】數位轉型系列講座： AI電腦視覺讓你看得更清楚',
 '【免費】數位轉型系列講座：AI塑造新零售、新體驗',
 '【免費】數位轉型系列講座：AI金融科技的新突破 ',
 '【免費】數位轉型系列講座：AI迎向精準行銷的數位革命',
 '【免費】數位轉型系列講座：深度學習與各類影像應用',
 '【免費】數位轉型系列講座： 數位轉型怎麼做？從企業戰略到人力資本之導入步驟及方法',
 '【免費】數位轉型系列講座：AI啟動無人機的未來商業',
 '【免費】數位轉型系列講座： AIoT產業智慧轉型的發展模式']

啟動

• 新建專案項目

建立專案

scrapy startproject tutorial

查看目錄

在終端輸入命令

tree tutorial

新建一個myspider.py

tutorial/
├── tutorial
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── __pycache__
│   ├── settings.py
│   └── spiders
│       ├── __init__.py
│       ├── myspider.py # 新建
│       └── __pycache__
└── scrapy.cfg

myspider.py

import scrapy
from selenium import webdriver
from scrapy.selector import Selector
import datetime

class mySpider(scrapy.Spider):
    name = "mySpider"

    start_urls = ["https://doc.scrapy.org/en/latest/_static/selectors-sample1.html"]

    def __init__(self):
        # 定義webdriver
        self.browser = webdriver.Chrome()


    def parse(self, response):
        # 先由self.browser進行請求
        self.browser.get(response.url)

        # 用scrapy選擇器獲取selenium的頁面源代碼
        sel = Selector(text=self.browser.page_source)

        baseurl = sel.xpath('//base/@href').extract_first()
        # 'http://example.com/'

        links = sel.xpath(".//a//@href").extract()
        # ['image1.html', 'image2.html', 'image3.html', 'image4.html', 'image5.html']

        for i in links:
            request = scrapy.Request(baseurl + i,
                                     callback=self.parse_2,
                                     )
        
    def parse_2(self, response):
        '''進入下一個頁面'''
        print(response.url)

執行

scrapy crawl
name為mySpider.py裡頭定義的name，並非腳本或項目名。

scrapy crawl mySpider

小結

scrapy除了使用上比較繁瑣一點，基本上使用上沒什麼缺點。