python scrapy爬取动态页面

标签：scrapy   python   selenium   动态网站   爬取   

preface:最近学习工作之外，有个异性朋友需要爬取动态网页的要求，输入关键词爬取某个专利网站在该关键词下的一些专利说明。以往直接python urllib2可破，但是那只是对于静态网页可破，但是对于用js等其他的生成的动态网页的话，则貌似不行（没试过）。然后在网上找了些资料，发现scrapy结合selenium包好像可以。（之所以这么说，暂时卤主也还没实现，先记录下来。）

#=====================根据官网中简单的介绍作个人理解========================

首先，安装scrapy,selenium两个包：

卤主在ubuntu下，并且已经安装好了anaconda和pip以及easy_intasll，所以直接用pip安装一步到位(或者easy_install)：

pip install -U selenium
pip install Scrapy
easy_install  -U selenium
easy_install  Scrapy

其次，需要用scrapy新建项目，在终端运行如下命令新建项目：

scrapy startproject tutorial

则自动生成如下形式的文件夹：

Figure 1:新建项目后的文件夹

再次，开始编写项目：

在items.py文件中需要定义一些变量：

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

在文件夹tutorial/spiders下新建dmoz_spider.py文件：

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, 'wb') as f:
            f.write(response.body)

在该文件中需要定义三个变量，其一为name,start_urls,parse这三个变量。

最后，在最外层文件夹下终端运行：

<span style="font-size:18px;">scrapy crawl dmoz</span>

dmoz为文件夹tutorial/spiders下新建的文件中DmozSpider类中重要的变量之一name的值。

便能开始爬取。

#=============================================

博友：http://chenqx.github.io/2014/12/23/Spider-Advanced-for-Dynamic-Website-Crawling/

介绍了抓取动态网站的一些内容，并且在github上共享了完整的项目代码。（先下载代码，对着代码看文档）

其gouwu.sogou.com任务为动态抓取页面信息。

卤主针对自己的任务，更改其gouwu.sogou.com/etao/lstData.py文件，里面lstData类lst列表变量里面为搜索的关键词，传入到spider.py文件，组成url，开始爬取。

分析博友的代码没找到爬取下来的动态页面信息存在哪里的代码，

在spider.py文件中加入自己的代码：

    def parse(self, response):
        #crawl all display page
        for link in self.link_extractor['page_down'].extract_links(response):
            yield Request(url = link.url, callback=self.parse)

        #browser
        self.browser.get(response.url)
        time.sleep(5)
        # get the data and write it to scrapy items
        etaoItem_loader = ItemLoader(item=EtaoItem(), response = response)
        url = str(response.url)
        etaoItem_loader.add_value('url', url)
        etaoItem_loader.add_xpath('title', self._x_query['title'])
        etaoItem_loader.add_xpath('name', self._x_query['name'])
        etaoItem_loader.add_xpath('price', self._x_query['price'])
        #====================================
#        for link in self.link_extractor['page_down'].extract_links(response):
#            yield Request(url = link.url, callback = self.parse_detail)
        for sel in response.xpath('//ul/li'):
            title = sel.xpath('a/text()').extract()
            link2 = sel.xpath('a/@href').extract()
            desc = sel.xpath('text()').extract()
            for i in title:
                print i,
            for j in link2:
                print j,"+++++++++++++"
        #====================================
        yield etaoItem_loader.load_item()

能分析一些东西，但还不够，还需继续分析返回来的动态页面的源代码，更改抽取器extractor,选择器selector(还未开始)，以便得到想要的结果。selenium包好像没用上。

#=============================================

卤主参考的一些资料：

scrapy官网：http://doc.scrapy.org/en/latest/intro/tutorial.html

selenium官网：http://selenium-python.readthedocs.org/

scrapy选择器：http://doc.scrapy.org/en/0.24/topics/selectors.html#topics-selectors

博友博客：http://chenqx.github.io/2014/12/23/Spider-Advanced-for-Dynamic-Website-Crawling/
博友博客：http://chenqx.github.io/2014/11/09/Scrapy-Tutorial-for-BBSSpider/

博友博客（selenium）：http://www.cnblogs.com/fnng/archive/2013/05/29/3106515.html

存取问题：http://my.oschina.net/HappyRoad/blog/173510

python scrapy爬取动态页面

标签：scrapy   python   selenium   动态网站   爬取   

原文地址：http://blog.csdn.net/u010454729/article/details/46539307