西山小菜鸟之Scrapy学习笔记---splash简介

前言

        本文主要介绍scrapy-splash的理论知识。文中如有不正确的地方望大家指正。
本文的主要内容出自书：《精通Scrapy网络爬虫》《虫术——Python绝技》

背景

        近几年随着前端技术和手机端App的飞速发展，互联网架构也发生了巨大的变化，尤其是一些前端框架的大面积应用，过去基于纯后端的Web结构已经明显过时了。越来越多的网站采用前后端分离的架构。
        所谓前后端分离，就是指一个网站由前端和后端两拔人独立开发，相互之间只通过JSON作为通信接口，从开发到部署几乎没有交集。这样的网站对于掉来说 无疑是一种灾难，因为脚本化的网页如果没有脚本引擎在客户端进行二次解释执行，是不能还原成它们“真正”的样子的。在开发者模式下往往会发现，打开一个网页时通常会下载N多个用于渲染的网页。
        Scrapy只能处理一些非常简单的AJAX请求，但是这对于复杂的前端页面往往是不够的。要在Python中处理Javascript网页有两种办法：

• Selenium + WebDriver
• Splash

Splash安装

• 安装scrapy-splash模块

pip3 install scrapy-splash

• docker环境
          要正常的使用scrapy-splash，还需要安装docker,然后在docker环境下运行splash。
          总体来说docker有两个版本，一个是专门为win10企业版开发的，另一个则是各windows支持的docker toolbox。而我使用的则是docker toolbox。docker安        装好以后会有下面的三个图标：
  

        点击最右边的图标则会进入docker，第一使用时配置的时间可以会比较长。成功后是这样的：

        进入该界面后，可以先搜索splash。命令：

docker search splash

        可以看到这里列出了好多splash镜像，这里我们选择第一个。通过命令：

docker pull scrapinghub/splash

        因为这里我的镜像已经拉取完毕，所以不再给出图片。
拉取镜像的过程可能会比较慢，建议可以去申请一个docker加速器（免费的）（https://www.daocloud.io/mirror）， 配置好后下载速度会有提升。

Splash使用

        安装好后则可以启动docker上的splash。命令：

docker run -p 8050:8050 scrapinghub/splash

        这时打开浏览器，输入192.168.99.100：8050，可以看到这样的页面：

此时，splash可以正常使用。

程序相关

• settings及request

setting中的配置项有：

SPLASH_URL = 'http://192.168.99.100:8050'
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware':723,
    'scrapy_splash.SplashMiddleware':725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware':810,
}
SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware':100,
}

spiders中的使用

        由之前的scrapy.request换成了scrapy_splash.SplashRequest()

• Splash的请求对象
          最简单的渲染请求的方式是使用scrapy_splash.SplashRequest,通常应该选择使用yield SplashRequest:

yield SplashRequest(url,self.parse_resutl,
args={
		#此字典为向Splash HTTP API传送的可选参数;
		'wait':0.5,
		#'url'每个请求预告填充的目标请求地址
		#'http_method'用于设置请求方法，如POST、PUT
		#'body'设置用于POST方法时向服务端发起的请求正文
		}，
		endpoint='render.json',  #可选；默认为render.html即JS页面渲染服务
		splash_url='<url>',      #可选，用于覆盖配置文件中的SPLASH_URL选项
		slot_policy=scrapy_splash.SlotPolicy.RER_DOMAIN, #可选
)

        另外，还可以在普通的Scrapy请求中传递Splash请求meta关键字以实现同样的效果。

yield scrapy.Request(url,self.parse_result,meta={
'splash':{
			'args':{
					'html':1,
					'png':1
					'wait':0.5,
		}，
		endpoint='render.json',
		splash_url='<url>',  
		'slot_policy':'scrapy_splash.SlotPolicy.RER_DOMAIN', 
		'splash_headers':{},
		'dont_process_response':True,
		'dont_send_headers':True,
		'magic_response':False
}}
)

3.Splash响应对象
        对于不同的splash请求，scrapy-splash返回不同的response子类。

• SplashResponse----二进制响应，比如对render.png的响应
• SplashTextResponse----文本响应，比如render.html
• SplashJsonResponse----JSON响应，比如render.json
  4.局部代码

    def start_requests(self):
       for url in self.start_urls:
           yield SplashRequest(url,callback=self.parse,args={'wait':3},endpoint='render.html')

再次声明

        内容只是粗略介绍，但是也够基本的正常使用。草草结束，只因不知道再如何装下去。
        若文本有不正确的地方 ，望指正。