解决方案--爬虫拿到的HTML和浏览器中的源码不相同
来源:互联网 发布:discuz数据调用 编辑:程序博客网 时间:2024/06/05 06:51
以前学习Scrapy框架时遇到过这个问题,但是当时没有整理解决方法,最近一同事问起这个问题后又花了不少时间才解决,所以我觉得有必要整理一下这个问题。
之所以Scrapy下载的HTML和浏览器中呈现的HTML不一样是由于网页中的一些页面是由JS触发的,所以我们只要模拟浏览器的JS触发时间就可以解决该问题,现在最常用的是使用Selenium解决此问题。
Selenium
作为一个用于Web应用程序测试的工具,其测试直接运行在浏览器中,框架底层使用JavaScript模拟真实用户对浏览器的操作,从终端用户的角度测试应用程序。下面我是使用Selenium操作Firefox访问网页以获得JS生成后的网页。
Scrapy使用Selenium
在settings.py加入DOWNLOADER_MIDDLEWARES = { 'companyinfo.middlewares.RandomUserAgent': 543, 'companyinfo.middlewares.JavaScriptMiddleware': 543, #添加此行代码# 该中间件将会收集失败的页面,并在爬虫完成后重新调度。(失败情况可能由于临时的问题,例如连接超时或者HTTP 500错误导致失败的页面) 'scrapy.downloadermiddlewares.retry.RetryMiddleware': 80,# 该中间件提供了对request设置HTTP代理的支持。您可以通过在 Request 对象中设置 proxy 元数据来开启代理。 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 100,}
class JavaScriptMiddleware(object): def process_request(self, request, spider): # executable_path = '/home/hadoop/crawlcompanyinfo0906/phantomjs' print "PhantomJS is starting..." # driver = webdriver.PhantomJS(executable_path) # 指定使用的浏览器 driver = webdriver.Firefox() driver.get(request.url) time.sleep(1) js = "var q=document.documentElement.scrollTop=10000" driver.execute_script(js) # 可执行js,模仿用户操作。此处为将页面拉至最底端。 time.sleep(3) body = driver.page_source print ("访问" + request.url) return HtmlResponse(driver.current_url, body=body, encoding='utf-8', request=request)这里selenium启动的Firefox浏览器,还需要添加一个相应的驱动geckodriver:
下载地址:
https://github.com/mozilla/geckodriver/releases
放置位置:Ubuntu14.04:将其放到/usr/local/bin/目录下
Windows: python安装根目录(与python.exe 同一目录)
Mac: /user/local/bin/
以上操作完成后在spiders/spider.py中parse()方法接收到的response则是我们自定义中间件返回的结果,即触发JS生成后的界面。
阅读全文
0 0
- 解决方案--爬虫拿到的HTML和浏览器中的源码不相同
- 为何HTML和CSS的注释标签会有所不相同?
- favicon.ico浏览器不显示的解决方案
- Random 快速连续产生不相同随机数的解决方案
- Java Web项目中HTML文件中的汉字在浏览器中显示乱码的解决方案
- 相同源代码的html文件在本地和服务器端被浏览器请求时,显示的效果不一样!!!
- 数组和指针不相同的情况
- 浏览器的Bugs和解决方案
- 处理两个文件中的相同行和不同行
- cordova angular 中动态增加的 js和html代码 不可用的解决方案
- springmvc页面跳转后缀HTML和jsp不同时的解决方案
- C++不同类中的特征标相同的同名函数
- 获取两个List集合中的不相同的对象
- 生成1-n中的k个不相同的随机数
- 不相同的位
- html的angular从json拿到表格
- Flex中的CSS: (4)内部样式和内联样式最终被编译的AS源文件不相同
- 爬虫的浏览器伪装
- 二叉树的深度
- SSM 整合发生异常:Error creating bean with name 'itemsController': Injection of resource dependencies fail
- 如何使用C#自带的GDI+双缓冲类BufferedGraphics实现双缓冲功能
- 用Java实现将一个字符串中的空格换成%20
- 【PAT】【Advanced Level】1103. Integer Factorization (30)
- 解决方案--爬虫拿到的HTML和浏览器中的源码不相同
- 测试的简单基本流程
- SQL insert 语句
- Error:Failed to complete Gradle execution.
- 云上建站快速入门:博客、论坛、CMS、电子商务网站统统搞定
- 文章标题
- BOSCH协议
- iOS 05-使用AFNetworking框架创建下载任务
- 【机器学习系列2】FPGrowth算法与spark实现