(11)分布式下的爬虫Scrapy应该如何做-关于ajax渲染环境splash的一些使用技巧总结

老规矩,先把相关的git地址上齐

scrapyjs:===>scrapyjs<====

splash:  ===>splash<====

文档地址:===>doc for splash<===

在上一篇文档:关于动态js或者ajax的处理,我简单的说了一下splash的使用,如果融入到scrapy中,我们需要使用官网的提供做法,先安装scrapyjs库,然后安装好splash等docker 。这次的例子我们还是选择搜狗的微信搜索

准备环境

先安装scrapy-splash库:

然后将我们的docker起起来

如果关于docker安装还有更多的问题,请查考:

splash安装文档

scrapy配置

  1. 将splash server的地址放在你的settings.py文件里面,如果是你在本地起的,那地址应该是http://127.0.0.1:8050,我的地址如下
  2. 在你的下载器中间件:download_middleware 里面启用如下的中间文件,注意启用的顺序

另外注意:

scrapy_splash.SplashMiddleware(725)的顺序是在默认的HttpProxyMiddleware(750)之前,要不然顺序的紊乱会造成功能的紊乱的

HttpCompressionMiddleware的优先级和顺序也应该适当的更改一下,这样才能更能处理请求  查看:https://github.com/scrapy/scrapy/issues/1895 .里面提到的一些问题

  1. 在settings.py启用SplashDeduplicateArgsMiddleware中间件
  2. 我们来设置一个去重的类
  3. 如果你使用scrapy http 缓存系统,那你就有必要启用这个scrapy-splash的缓存系统
      6. 如果你有在你自己的settings.py里面启用DEFAULT_REQUEST_HEADERS ,请务必注释掉,目前看来是一个bug ,我已经给scrapy splash 官方提了这个bug
          该bug 是由于default_request_headers 里面的host 与我要爬的sougou不匹配,这当然会出错,不得不说scrapy的官方维护人反应真的很迅速。大家添加的headers的时候注意这些细节内容。

 

编写代码

 

代码分析

其实现在SplashRequest就是对splash http api的另一层封装,有人问了,如果我不想使用scrapy ,只使用requests应该怎么玩呢,简单呀

几行代码轻松实现,关于实现的原理,我就不多讲了,感觉没有啥特别的。

 

实际运行

 

《(11)分布式下的爬虫Scrapy应该如何做-关于ajax渲染环境splash的一些使用技巧总结》

点赞
  1. EricShen说道:

    兄弟你这scrapy如何实现分布式的啊?

    1. hi,I'm frank说道:

      分布式之前在群里面分享过一次,我先整理一下,这个周会更新一次分布式的架构 。感谢支持。

  2. ForkEyes说道:

    兄弟,你结合的分布式是用的scrapy-redis这个包吗?用了splash后,每次发出一个链接的请求,都会先post到render,在发送我原本的链接请求,这样去重队列就会生成两个fingerprint,有没有办法只生成一个就可以了吗?否则对内存伤害太大。

    1. hi,I'm frank说道:

      我是基于scrapy自己写的分布式框架,你说的情况其实splash_request本质也会生成一种类似render.html + taget_url 的形式,其实也可以提取出来。

      1. 樊樊樊Kai说道:

        博主,你用scrapy+splash做过爬取AJAX分页类型的网站没?(mouse_click)。 求分享经验。

  3. bingfdcq说道:

    splash经常莫名其妙的崩溃不知道博主遇到过没有

    1. hi,I'm frank说道:

      目前还没有遇到过,你有装最新版的镜像吗?

  4. Class说道:

    robots.txt 禁爬,修改 配置 COOKIES_ENABLED = False ROBOTSTXT_OBEY = False

  5. 哎呦我去说道:

    你好,我用博主的第一种介绍的SplashRequest方法去获取http://www.iqiyi.com/v_19rr9dz99o.html页面上的“播放”次数时候,并没有渲染js,仅仅获取了网页源码。跟用chrome浏览器查看网页源代码时候得到的结果一样。请问可能是哪里出了问题呢?求指教

    1. hi,I'm frank说道:

      还要分析请求,他的数据是从某个地方来的,看具体的请求,参考前面一篇分析ajax的。

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据