Python爬虫框架Scrapy 学习笔记 10.3 -------【实战】 抓取天猫某网店所有宝贝详情
第三部分 替换默认下载器，使用selenium下载页面
对详情页稍加分析就可以得出：我们感兴趣的大部分信息都是由javascript动态生成的，因此需要先在浏览器中执行javascript代码，再从最终的页面上抓取信息（当然也有别的解决方案）。
scrapy 本身提供了 Middleware机制。利用Dowloader Middleware可以改变默认的request对象和reponse对象，甚至替换默认的下载器。(可以对比JavaEE中的Filter理解Middleware)
scrapy 架构图
由于middleware的配置比较复杂，在这里我们采用一个简单的方法：改用最简单的spider,在parse函数中用selenium下载详情页面。
改写CrawlSpider为默认Spider，在parse函数中获取详情页面的链接
# -*- coding: utf-8 -*-
import scrapy
from scrapy.contrib.linkextractors import LinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule
from tmall.items import TmallItem
class TmallSpider(CrawlSpider):
name = 'tmallSpider'
start_urls = ['http://shanhuijj.tmall.com/search.htm?spm=a1z10.3-b.w4011-3112923129.1.KjGkS2/']
rules = (
Rule(LinkExtractor(allow=r'http://detail.tmall.com/item.htm\?id=\d+&rn=\w+&abbucket=\d+',
restrict_xpaths="//div[@class='J_TItems']/div/dl/dd[@class='detail']"),
callback='parse_item', follow=False),
)
def parse(self, response):
linkExtractor = LinkExtractor(allow=r'http://detail.tmall.com/item.htm\?id=\d+&rn=\w+&abbucket=\d+',
restrict_xpaths="//div[@class='J_TItems']/div/dl/dd[@class='detail']")
linkList = linkExtractor.extract_links(response)
for link in linkList:
self.log("******************************************************")
self.log(link.url)
2. 用firefox打开详情页面链接，获取页面源文件，查看得到的源文件是不是执行过js的“源文件”
def parse(self, response):
linkExtractor = LinkExtractor(allow=r'http://detail.tmall.com/item.htm\?id=\d+&rn=\w+&abbucket=\d+',
restrict_xpaths="//div[@class='J_TItems']/div/dl/dd[@class='detail']")
linkList = linkExtractor.extract_links(response)
# open Firefox
browser = webdriver.Firefox()
file = open("C:\\pageSource.html", 'w'); flag = 0
for link in linkList:
browser.get(link.url)
pageSource = browser.page_source
if flag == 0:
file.write(pageSource)
file.close()
flag = 1
browser.close()
很不幸，试图写入文件时得到一个错误信息：
file.write(pageSource) exceptions.UnicodeEncodeError: 'ascii' codec can't encode characters in position 8427-8443: ordinal not in range(128)
这是由于系统默认编码是ascii,python解释器试图将unicode编码的内容先转换成ascii编码再写入文件。
提前设置一下系统编码就可以解决这个问题。在文件头部加入：
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
查看源文件发现，页面上信息还是不全，例如
可以很高兴地看到，累计评价的信息已经有了（在最初的源文件中是没有的），但是月销量的数字还没显示出来。原因可能是我们通过brower.page_source请求源码的时候，js还没执行完。我们等浏览器10秒钟再试一下
for link in linkList: browser.get(link.url) time.sleep(10) # wait for 10 seconds pageSource = browser.page_source if flag == 0: file.write(pageSource) file.close() flag = 1
此时再看得到的源文件，月销量的数据已经出现了
实际上除了月成交记录的详情信息，其它数据都已经出现在了源码里。
月成交记录的详情信息是鼠标触发的一个ajax请求，后面我们会用scrapy模拟ajax请求，这样可以直接从response中得到json格式交易记录详情。
到目前为止， spider的代码如下：
# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import scrapy
from scrapy.contrib.linkextractors import LinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule
from selenium import webdriver
import time
from tmall.items import TmallItem
class TmallSpider(CrawlSpider):
name = 'tmallSpider'
start_urls = ['http://shanhuijj.tmall.com/search.htm?spm=a1z10.3-b.w4011-3112923129.1.KjGkS2/']
rules = (
Rule(LinkExtractor(allow=r'http://detail.tmall.com/item.htm\?id=\d+&rn=\w+&abbucket=\d+',
restrict_xpaths="//div[@class='J_TItems']/div/dl/dd[@class='detail']"),
callback='parse_item', follow=False),
)
def parse(self, response):
linkExtractor = LinkExtractor(allow=r'http://detail.tmall.com/item.htm\?id=\d+&rn=\w+&abbucket=\d+',
restrict_xpaths="//div[@class='J_TItems']/div/dl/dd[@class='detail']")
linkList = linkExtractor.extract_links(response)
# open Firefox
browser = webdriver.Firefox()
file = open("C:\\pageSource.html", 'wb'); flag = 0
for link in linkList:
browser.get(link.url)
time.sleep(10)
pageSource = browser.page_source
if flag == 0:
file.write(pageSource)
file.close()
flag = 1
browser.close()