scrapy-splash的介紹

  在前面的部落格中，我們已經見識到了Scrapy的強大之處。但是，Scrapy也有其不足之處，即Scrapy沒有JS engine, 因此它無法爬取JavaScript生成的動態網頁，只能爬取靜態網頁，而在現代的網路世界中，大部分網頁都會採用JavaScript來豐富網頁的功能。所以，這無疑Scrapy的遺憾之處。
  那麼，我們還能愉快地使用Scrapy來爬取動態網頁嗎？有沒有什麼補充的辦法呢？答案依然是yes!答案就是，使用scrapy-splash模組！
  scrapy-splash模組主要使用了Splash. 所謂的Splash, 就是一個Javascript渲染服務。它是一個實現了HTTP API的輕量級瀏覽器，Splash是用Python實現的，同時使用Twisted和QT。Twisted（QT）用來讓服務具有非同步處理能力，以發揮webkit的併發能力。Splash的特點如下：

• 並行處理多個網頁
• 得到HTML結果以及（或者）渲染成圖片
• 關掉載入圖片或使用 Adblock Plus規則使得渲染速度更快
• 使用JavaScript處理網頁內容
• 使用Lua指令碼
• 能在Splash-Jupyter Notebooks中開發Splash Lua scripts
• 能夠獲得具體的HAR格式的渲染資訊

scrapy-splash的安裝

  由於Splash的上述特點，使得Splash和Scrapy兩者的相容性較好，抓取效率較高。
  聽了上面的介紹，有沒有對scrapy-splash很心動呢？下面就介紹如何安裝scrapy-splash，步驟如下：
  1. 安裝scrapy-splash模組

pip3 install scrapy-splash

  2. scrapy-splash使用的是Splash HTTP API， 所以需要一個splash instance，一般採用docker執行splash，所以需要安裝docker。不同系統的安裝命令會不同，如筆者的CentOS7系統的安裝方式為：

sudo yum install docker

安裝完docker後，可以輸入命令‘docker -v’來驗證docker是否安裝成功。

  3. 開啟docker服務，拉取splash映象（pull the image）：

sudo service docker start
sudo dock pull scrapinghub/splash
 

執行結果如下：

  4. 開啟容器（start the container）：

sudo docker run -p 8050:8050 scrapinghub/splash

此時Splash以執行在本地伺服器的埠8050(http).在瀏覽器中輸入'localhost:8050'， 頁面如下：

在這個網頁中我們能夠執行Lua scripts，這對我們在scrapy-splash中使用Lua scripts是非常有幫助的。以上就是我們安裝scrapy-splash的全部。

scrapy-splash的例項

  在安裝完scrapy-splash之後，不趁機介紹一個例項，實在是說不過去的，我們將在此介紹一個簡單的例項，那就是利用百度查詢手機號碼資訊。比如，我們在百度輸入框中輸入手機號碼‘159********’，然後查詢，得到如下資訊：

我們將利用scrapy-splash模擬以上操作並獲取手機號碼資訊。

  1. 建立scrapy專案phone
  2. 配置settings.py檔案，配置的內容如下：

ROBOTSTXT_OBEY = False

SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810
}

SPLASH_URL = 'http://localhost:8050'

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

  3. 建立爬蟲檔案phoneSpider.py, 程式碼如下：

# -*- coding: utf-8 -*-
from scrapy import Spider, Request
from scrapy_splash import SplashRequest

# splash lua script
script = """
         function main(splash, args)
             assert(splash:go(args.url))
             assert(splash:wait(args.wait))
             js = string.format("document.querySelector('#kw').value=%s;document.querySelector('#su').click()", args.phone)
             splash:evaljs(js)
             assert(splash:wait(args.wait))
             return splash:html()
         end
         """

class phoneSpider(Spider):
    name = 'phone'
    allowed_domains = ['www.baidu.com']
    url = 'https://www.baidu.com'
    
    # start request
    def start_requests(self):
        yield SplashRequest(self.url, callback=self.parse, endpoint='execute', args={'lua_source': script, 'phone':'159*******', 'wait': 5})
   
    # parse the html content 
    def parse(self, response):
        info = response.css('div.op_mobilephone_r.c-gap-bottom-small').xpath('span/text()').extract()
        print('='*40)
        print(''.join(info))
        print('='*40)

  4. 執行爬蟲，scrapy crawl phone, 結果如下：