Scrapy基于selenium结合爬取淘宝

        在对于淘宝,京东这类网站爬取数据时,通常直接使用发送请求拿回response数据,在解析获取想要的数据时比较难的,因为数据只有在浏览网页的时候才会动态加载,所以要想爬取淘宝京东上的数据,可以使用selenium来进行模拟操作

        对于scrapy框架,下载器来说已经没多大用,因为获取的response源码里面没有想要的数据,因为没有加载出来,所以要在请求发给下载中间件的时候直接使用selenium对请求解析,获得完整response直接返回,不经过下载器下载,上代码

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
from scrapy.http.response.html import HtmlResponse
from scrapy.http.response.text import TextResponse
from selenium.webdriver import ActionChains
 
class TaobaoMiddleware(object):
 
    #处理请求函数
    def process_request(self,request,spider):
        #声明一个Options对象
        opt = Options()
        #给对象添加一个--headless参数,表示无头启动
        opt.add_argument('--headless')
        #把配置参数应用到驱动创建的对象
        driver = webdriver.Chrome(options=opt)
        #打开requests中的地址
        driver.get(request.url)
 
        #让浏览器滚动到底部
        for x in range(1,11):
            j = x / 10
            js = "document.documentElement.scrollTop = document.documentElement.scrollHeight*%f"%j
            driver.execute_script(js)
            #每次滚动等待0.5s
            time.sleep(5)
 
        #获取下一页按钮的标签
        next_btn =driver.find_element_by_xpath('//span[contains(text(),"下一页")]')
        #睡眠0.5秒
        time.sleep(0.5)
        #对下一页标签进行鼠标右键触发事件
        ActionChains(driver).context_click(next_btn).click().perform()
        # driver.save_screenshot('截图.png')
        #把驱动对象获得的源码赋值给新变量
        page_source = driver.page_source
        #退出
        driver.quit()
 
        #根据网页源代码,创建Htmlresponse对象
        response = HtmlResponse(url=request.url,body=page_source,encoding='utf-8',request=request)
        #因为返回的是文本消息,所以需要指定字符编码格式
 
        return response
 
    def process_response(self,request,response,spider):
 
        return response
 
    def process_exception(self,request,exception,spider):
        pass