问题

有的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

官网http://splash.readthedocs.io/en/stable/

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

安装

  1. pip安装scrapy-splash库
 pip install scrapy-splash
  1. 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
  2. 安装docker, 安装好后运行docker
  3. 拉取镜像
 docker pull scrapinghub/splash
  1. 用docker运行scrapinghub/splash
docker run -p 8050:8050 scrapinghub/splash
  1. 配置splash服务(以下操作全部在settings.py):

    1. 使用splash解析,要在配置文件中设置splash服务器地址:
    SPLASH_URL = 'http://192.168.99.100:8050/' 
    
    1. 将splash middleware添加到DOWNLOADER_MIDDLEWARE中
    DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
    }
    
    1. Enable SplashDeduplicateArgsMiddleware
    SPIDER_MIDDLEWARES = {
      'scrapy_splash.SplashDeduplicateArgsMiddleware': 100
    }
    

    这个中间件需要支持cache_args功能; 它允许通过不在磁盘请求队列中多次存储重复的Splash参数来节省磁盘空间。如果使用Splash 2.1+,则中间件也可以通过不将这些重复的参数多次发送到Splash服务器来节省网络流量

    1. 配置消息队列所使用的过滤类
    DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
    
    1. 配置消息队列需要使用的类
    HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
    

样例

import scrapy
from scrapy_splash import SplashRequest


class DoubanSpider(scrapy.Spider):
    name = 'douban'

    allowed_domains = ['douban.com']


def start_requests(self):
    yield SplashRequest('https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90', args={'wait': 0.5})


def parse(self, response):
    print(response.text)