phantomjs是一个没有界面的浏览器，支持各种web标准，提供DOM 处理, CSS 选择器, JSON, Canvas, 和 SVG，对于爬取一些经过js渲染的页面非常有用。但是phantomjs默认的user-agent一般都被那些防采集的网站屏蔽了，鬼都知道用这个浏览器，都是来爬取网页的，不是正常的用户。
phantomjs相当于一个真实的浏览器，一个浏览器该加载的该渲染的它都加载都渲染，只是没有界面而已。所以爬取网页的速度很慢。如果可以不加载图片，网页加载速度就会快不少.
下面是PhantomJS禁用加载图片，并随机切换UA的scrapy middleware的完整代码
from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.common.desired_capabilities import DesiredCapabilities from fake_useragent import UserAgent from scrapy.http import HtmlResponse
class SeleniumSpiderMiddleware(object): def process_request(self, request, spider): # 随机请求头 ua = UserAgent() ua_use = ua.random # 设置请求头 dcap = dict(DesiredCapabilities.PHANTOMJS) # --load-images=false 图片不加载 # --disk - cache = true 启用缓存 # --max-disk-cache-size=1024 设置最大缓存数量 SERVICE_ARGS = [‘ --disk-cache=true‘,‘--max-disk-cache-size=1024‘, ‘--load-images=false‘] dcap["phantomjs.page.settings.userAgent"] = ua_use # 请求头生效， 图片不加载生效 driver = webdriver.PhantomJS(desired_capabilities=dcap, service_args=SERVICE_ARGS) # 请求的url是这个 url = request.url driver.get(url) # 设置等待所有的td标签加载完成 locator = (By.CSS_SELECTOR, ‘tbody > tr > td‘) WebDriverWait(driver, 10).until(EC.presence_of_all_elements_located(locator)) # 截图看是否有图片加载 driver.save_screenshot(‘aqi.png‘) body = driver.page_source driver.close() # body必须为bytes类型 response = HtmlResponse(url=url, request=request, encoding=‘utf8‘, body=body.encode()) # 直接return response 直接将response返回到engine不会重新下载 return response |
