【爬虫进阶JS自动渲染】Scrapy_splash组件的使用

原标题：【爬虫进阶-JS自动渲染】Scrapy_splash组件的使用

scrapy_splash是scrapy的一个组件

• scrapy-splash加载js数据是基于Splash来实现的。


• Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python和Lua语言实现的，基于Twisted和QT等模块构建。


• 使用scrapy-splash最终拿到的response相当于是在浏览器全部渲染完成以后的网页源代码。

splash官方文档 https://splash.readthedocs.io/en/stable/

scrapy-splash能够模拟浏览器加载js，并返回js运行后的数据

3.1 使用splash的docker镜像

splash的dockerfile https://github.com/scrapinghub/splash/blob/master/Dockerfile

观察发现splash依赖环境略微复杂，所以我们可以直接使用splash的docker镜像

如果不使用docker镜像请参考 splash官方文档 安装相应的依赖环境

3.1.1 安装并启动docker服务

安装参考 https://blog.csdn.net/sanpic/article/details/81984683

3.1.2 获取splash的镜像

在正确安装docker的基础上pull取splash的镜像

sudo docker pull scrapinghub/splash

3.1.3 验证是否安装成功

运行splash的docker服务，并通过浏览器访问8050端口验证安装是否成功

• 前台运行 sudo docker run -p 8050:8050 scrapinghub/splash




• 后台运行 sudo docker run -d -p 8050:8050 scrapinghub/splash

访问http://127.0.0.1:8050 看到如下截图内容则表示成功

3.1.4 解决获取镜像超时:修改docker的镜像源

以ubuntu18.04为例

1. 创建并编辑docker的配置文件

sudo vi /etc/docker/daemon.json

2. 写入国内docker-cn.com的镜像地址配置后保存退出

{
"registry-mirrors": ["https://registry.docker-cn.com"]
}


3. 重启电脑或docker服务后重新获取splash镜像




4. 这时如果还慢，请使用手机热点（流量orz）

3.1.5 关闭splash服务

需要先关闭容器后，再删除容器

sudo docker ps -a
sudo docker stop CONTAINER_ID
sudo docker rm CONTAINER_ID


3.2 在python虚拟环境中安装scrapy-splash包

pip install scrapy-splash

以baidu为例

4.1 创建项目创建爬虫

scrapy startproject test_splash
cd test_splash
scrapy genspider no_splash baidu.com
scrapy genspider with_splash baidu.com


4.2 完善settings.py配置文件

在settings.py文件中添加splash的配置以及修改robots协议

# 渲染服务的url
SPLASH_URL = 'http://127.0.0.1:8050'
# 下载器中间件
DOWNLOADER_MIDDLEWARES = {
'scrapy_splash.SplashCOOKIEsMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
# 去重过滤器
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
# 使用Splash的Http缓存
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False


4.3 不使用splash

在spiders/no_splash.py中完善

import scrapy
class NoSplashSpider(scrapy.Spider):
name = 'no_splash'
allowed_domains = ['baidu.com']
start_urls = ['https://www.baidu.com/s?wd=13161933309']
def parse(self, response):
with open('no_splash.html', 'w') as f:
f.write(response.body.decode())


4.4 使用splash

import scrapy
from sc文章来源地址50236.htmlrapy_splash import SplashRequest # 使用scrapy_splash包提供的request对象
class WithSplashSpider(scrapy.Spider):
name = 'with_splash'
allowed_domains = ['baidu.com']
start_urls = ['https://www.baidu.com/s?wd=13161933309']
def start_requests(self):
yield SplashRequest(self.start_urls[0],
callback=self.parse_splash,
args={'wait': 10}, # 最大超时时间，单位：秒
endpoint='render.html') # 使用splash服务的固定参数
def parse_splash(self, response):
with open('with_splash.html', 'w') as f:
f.write(response.body.decode())


4.5 分别运行俩个爬虫，并观察现象

4.5.1 分别运行俩个爬虫

scrapy crawl no_splash
scrapy crawl with_splash


4.5.2 观察获取的俩个html文件

不使用splash

使用splash

4.6 结论

1. splash类似selenwww.yii666.comium，能够像浏览器一样访问请求对象中的url地址


2. 能够按照该url对应的响应内容依次发送请求


3. 并将多次请求对应的多次响应内容进行渲染


4. 最终返回渲染后的response响应对象

关于splash https://www.cnblogs.c文章来源地址50236.htmlom/zhangxinqi/p/9279014.html

关于scrapy_splash（截屏，get_COOKIEs等） https://www.e-learn.cn/content/qita/800748

1. scrapy_splash组件的作用

   
   
   1. splaswww.yii666.comh类似selenium，能够像浏览器一样访问请求对象中的url地址
   
   
   2. 能够按照该url对应的响应内容依次发送请求
   
   
   3. 并将多次请求对应的多次响应内容进行渲染
   
   
   4. 最终返回渲染后的response响应对象
   
   
   
   



2. scrapy_splash组件的使用

   
   
   1. 需要splash服务作为支撑
   
   
   2. 构造的request对象变为splash.SplashRequest
   
   
   3. 以下载中间件的形式使用
   
   
   4. 需要scrapy_splash特定配置
   
   
   
   



3. scrapy_splash的特定配置

   SPLASH_URL = 'http://127.0.0.1:8050'
DOWNLOADER_MIDDLEWARES = {
'scrapy_splash.SplashCOOKIEsMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'


来源于：【爬虫进阶-JS自动渲染】Scrapy_splash组件的使用