学完Scrapy-Splash秒变爬虫大佬

在做爬虫的时候，大多数的网页中会存在数据动态加载的部分，而且多数都是后期渲染上的。正常情况下爬虫程序仅能爬取被渲染过的数据。因此我们看到的数据也许并非是爬虫直接获取来的。

而scrapy-splash担任了一个中间人的角色，程序通过splash服务请求网站，并获得splash返回的JS渲染后的网页。

原因

像selenium、phantomjs都是常用的渲染网页的工具。

就拿selenium来说，需要通过加载一个浏览器内核来进行渲染，效率有点低。而且与Scrapy集成需要实现一个downloder middleware，操作起来有些许的复杂，对我这种懒人来说简直折磨。

而scrapy-deltafetch的出现，仅仅几行配置就解决了这些问题。

安装

模块安装

安装scrapy-deltafetch模块。

pip3 install scrapy-splash

docker容器

这里首先要安装docker服务，然后执行命令拉取splash的镜像，启动容器即可。

docker pull scrapinghub/splash
docker run -d -p 8050:8050 scrapinghub/splash --disable-private-mode

拉取docker镜像：

开放8050端口，在浏览器输入你的ip:8050，访问到如下页面表示容器启动成功。

应用

配置

在settings.py中添加splash服务的参数。

SPLASH_URL = 'http://localhost:8050'
DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

「SPLASH_URL」中的IP根据实际情况来填写。

请求

原本使用Request来请求网站，这里要修改成SplashRequst。

from scrapy_splash import SplashRequest
# 原本是yield Request()
yield SplashRequest()

这样，我们访问的url是先经过splash服务的。启动程序，查看日志。

测试

render

这里先在splash提供的页面上测试一把。

splash会请求这个网页的图片、js等，并会渲染后的网页返回给程序。

代码测试

对一个url同时进行普通请求和splash请求。

def start_requests(self):
    yield Request(url=self.start_urls[0], callback=self.parse)
    yield SplashRequest(url=self.start_urls[0], callback=self.parse_splash)

def parse(self, response):
    comment = response.css('div.at-feed-ellipsis__text::text').extract()
    print('Request', comment)

def parse_splash(self, response):
    comment = response.css('div.at-feed-ellipsis__text::text').extract()
    print('SplashRequest', comment)

同时对评论区进行爬取。运行结果如下：

上述样例仅用于学习用途。

结语

就我个人而言，依赖于插件总归不如自己去看看那些动态加载的API，分析之后可以直接模拟请求获取数据。

但是使用scrapy-splash会便利很多，也没有很高的技术门槛，所以还是值得一学的。