python爬虫进阶篇：Scrapy中使用Selenium模拟Firefox火狐浏览器爬取网页信息-Toy模板网

这篇具有很好参考价值的文章主要介绍了python爬虫进阶篇：Scrapy中使用Selenium模拟Firefox火狐浏览器爬取网页信息。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、前言

接着上一篇的笔记，Scrapy爬取普通无反爬、静态页面的网页时可以顺利爬取我们要的信息。但是大部分情况下我们要的数据所在的网页它是动态加载出来的（ajax请求后传回前端页面渲染、js调用function等）。这种情况下需要使用selenium进行模拟人工操作浏览器行为，实现自动化采集动态网页数据。

二、环境搭建

Scrapy框架的基本依赖包（前几篇有记录）
selenium依赖包
- pip install selenium==4.0.0a6.post2
- pip install certifi
- pip install urllib3==1.25.11
安装Firefox浏览器和对应版本的驱动包
- 火狐浏览器我用的是最新版121.0
- 驱动的版本为0.3.0，见上方资源链接
- 把驱动放到python环境的Scripts文件夹下

三、代码实现

settings设置

SPIDER_MIDDLEWARES = {
   'stock_spider.middlewares.StockSpiderSpiderMiddleware': 543,
}

DOWNLOADER_MIDDLEWARES = {
   'stock_spider.middlewares.StockSpiderDownloaderMiddleware': 543,
}

ITEM_PIPELINES = {
   'stock_spider.pipelines.StockSpiderPipeline': 300,
}

middlewares中间件

from selenium.webdriver.firefox.options import Options as firefox_options


spider.driver = webdriver.Firefox(options=firefox_options())  # 指定使用的浏览器

process_request

    def process_request(self, request, spider):
        # Called for each request that goes through the downloader
        # middleware.

        # Must either:
        # - return None: continue processing this request
        # - or return a Response object
        # - or return a Request object
        # - or raise IgnoreRequest: process_exception() methods of
        #   installed downloader middleware will be called

        spider.driver.get("http://www.baidu.com")
        return None

process_response

	from scrapy.http import HtmlResponse
    def process_response(self, request, response, spider):
        # Called with the response returned from the downloader.

        # Must either;
        # - return a Response object
        # - return a Request object
        # - or raise IgnoreRequest
        response_body = spider.driver.page_source

        return HtmlResponse(url=request.url, body=response_body, encoding='utf-8', request=request)