Scrapy对接Pyppeteer

发布时间：2025-04-22 10:42:01编辑：123阅读（162）

        在Scrapy框架中整合Pyppeteer（一个基于Chrome的无头浏览器，用于自动化网页渲染）可以让你执行更复杂的JavaScript渲染任务，这对于爬取依赖于JavaScript动态加载内容的网站非常有用.       

        Scrapy和Pyppeteer的对接方式和它是基本一致的。自定义一个Downloader Middleware并实现process_request方法，在process_request中直接获取Requess对象的URL，然后在process_request方法中完成使用Pyppeteer请求URL的过程，获取JavaScript渲染后的HTML代码，最后把HTML代码构造为HtmlResponse返回。这样，HtmlResponse就会被传给Spider，Spider拿到的结果就是JavaScript渲染后的结果了。

          Pyppeteer需要借助asynico实现异步爬取，也就是说调用的必须是async修饰的方法。虽然Scrapy也支持异步，但其异步是基于Twisted实现的，二者怎么实现兼容呢？从Scrapy2.0版本开始已经可以支持asyncio了。Twisted的异步对象叫作Deffered，而asyncio里面的异步对象叫Future，其支持的原理就是实现了Future到Deffered的转换，代码如下：

import asyncio
from twisted.internet.defer import Deferred

def as_deferred(f):
    return Deferred.fromFuture(asyncio.ensure_future(f))

Scrapy安装

pip install scrapy -i https://mirrors.aliyun.com/pypi/simple




Scrapy提供了一个fromFuture方法，它可以接收一个Future对象,返回一个Deffered对象，另外还需要更换Twisted的Reactor对象，在Scrapy的settings.py中需要添加如下代码：


TWISTED_REACTOR = "twisted.internet.asyncioreactor.AsyncioSelectorReactor"




对接Pyppeteer实现

pyppeteer安装（注意pyppeteer的版本1.02，2.0.0版本下载chrome-win32.zip会找不到文件 ）

pip install pyppeteer=1.0.2 -i https://mirrors.aliyun.com/pypi/simple

创建一个新的项目，叫做scrapy_pyppeteer_jd,命令如下：

scrapy startproject scrapy_pyppeteer_demo

进入项目，然后新建一个spider，名称为jd_spider，命令如下：

scrapy genspider book scrape.center

同样地，首先定义Item对象，名称为BookItem,代码如下所示：

import scrapy


class ScrapyPyppeteerDemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    tags = scrapy.Field()
    score = scrapy.Field()
    cover = scrapy.Field()
    price = scrapy.Field()

接着定义主要的爬取逻辑，包括初始请求，解析列表页，解析详情页。初始请求start_requests的代码定义如下：

class BookSpider(Spider):
    name = 'book'
    allowed_domains = ['spa5.scrape.center']
    base_url = 'https://spa5.scrape.center'

    def start_requests(self):
        """
        first page
        :return:
        """
        start_url = f'{self.base_url}/page/1'
        logger.info('crawling %s', start_url)
        yield Request(start_url, callback=self.parse_index)

在start_requests方法里面构造了第一页的爬取请求并返回，回调方法指定为parse_index。parse_index方法自然就是实现列表页的解析，得到详情页的一个个URL，与此同时还要解析下一页的URL。

def parse_index(self, response):
    """
    extract books and get next page
    :param response:
    :return:
    """
    items = response.css('.item')
    for item in items:
        href = item.css('.top a::attr(href)').extract_first()
        detail_url = response.urljoin(href)
        yield Request(detail_url, callback=self.parse_detail, priority=2)

    # next page
    match = re.search(r'page/(\d+)', response.url)
    if not match: return
    page = int(match.group(1)) + 1
    next_url = f'{self.base_url}/page/{page}'
    yield Request(next_url, callback=self.parse_index)

在parse_index方法中实现了两部分逻辑。第一部分逻辑是解析每一本书对应的详情页URL，然后构造新的Request并返回，将回调方法设置为parse_detail方法，并设置优先级为2；另一部分逻辑就是获取当前列表页的页码，然后将其加1，构造下一页的URL，构造新的Request并返回，将回调方法设置为parse_index方法。

那最后的逻辑就是parse_detail方法，即解析详情页提取最终结果的逻辑了，这个方法里面需要将书名，标签，评分，封面，价格都提取出来，然后构造Item并返回，代码如下：

def parse_detail(self, response):
    """
    process detail info of book
    :param response:
    :return:
    """
    name = response.css('.name::text').extract_first()
    tags = response.css('.tags button span::text').extract()
    score = response.css('.score::text').extract_first()
    price = response.css('.price span::text').extract_first()
    cover = response.css('.cover::attr(src)').extract_first()
    tags = [tag.strip() for tag in tags] if tags else []
    score = score.strip() if score else None
    item = ScrapyPyppeteerDemoItem(name=name, tags=tags, score=score, price=price, cover=cover)
    yield item

利用Downloader Middleware实现与Pyppeteer的对接。新建一个PyppeteerMiddleware，实现如下：

from pyppeteer import launch
from scrapy.http import HtmlResponse
import asyncio
import logging
from twisted.internet.defer import Deferred

logging.getLogger('websocket').setLevel('INFO')
logging.getLogger('pyppeteer').setLevel('INFO')

def as_deferred(f):
    return Deferred.fromFuture(asyncio.ensure_future(f))

class PyppeteerMiddleware(object):
    async def _process_request(self, request, spider):
        browser = await launch(headless=True)
        page = await browser.newPage()
        pyppeteer_response = await page.goto(request.url)
        await asyncio.sleep(3)
        html = await page.content()
        pyppeteer_response.headers.pop('content-encoding', None)
        pyppeteer_response.headers.pop('Content-Encoding', None)
        response = HtmlResponse(page.url, status=pyppeteer_response.status,
                                headers=pyppeteer_response.headers,
                                body=str.encode(html),
                                encoding='utf-8',
                                request=request)
        await page.close()
        await browser.close()
        return response

    def process_request(self, request, spider):
        return as_deferred(self._process_request(request, spider))

修改settings.py配置如下：

ROBOTSTXT_OBEY = False

CONCURRENT_REQUESTS = 3

DOWNLOADER_MIDDLEWARES = {

   "scrapy_pyppeteer_demo.middlewares.PyppeteerMiddleware": 543,

}

运行Spider

scrapy crawl book

第一次运行,pyppeteer会下载chrome-win32.zip文件



可以看到spider在运行过程中，与Pyppeteer对应的Chromium浏览器出来并加载了对应的页面，控制台输出如下：



项目目录：



book.py完整代码


import logging
import re
from scrapy import Request, Spider

from scrapy_pyppeteer_demo.items import ScrapyPyppeteerDemoItem

logger = logging.getLogger(__name__)


class BookSpider(Spider):
    name = 'book'
    allowed_domains = ['spa5.scrape.center']
    base_url = 'https://spa5.scrape.center'

    def start_requests(self):
        """
        first page
        :return:
        """
        start_url = f'{self.base_url}/page/1'
        logger.info('crawling %s', start_url)
        yield Request(start_url, callback=self.parse_index)

    def parse_index(self, response):
        """
        extract books and get next page
        :param response:
        :return:
        """
        items = response.css('.item')
        for item in items:
            href = item.css('.top a::attr(href)').extract_first()
            detail_url = response.urljoin(href)
            yield Request(detail_url, callback=self.parse_detail, priority=2)

        # next page
        match = re.search(r'page/(\d+)', response.url)
        if not match: return
        page = int(match.group(1)) + 1
        next_url = f'{self.base_url}/page/{page}'
        yield Request(next_url, callback=self.parse_index)

    def parse_detail(self, response):
        """
        process detail info of book
        :param response:
        :return:
        """
        name = response.css('.name::text').extract_first()
        tags = response.css('.tags button span::text').extract()
        score = response.css('.score::text').extract_first()
        price = response.css('.price span::text').extract_first()
        cover = response.css('.cover::attr(src)').extract_first()
        tags = [tag.strip() for tag in tags] if tags else []
        score = score.strip() if score else None
        item = ScrapyPyppeteerDemoItem(name=name, tags=tags, score=score, price=price, cover=cover)
        yield item

items.py完整代码


import scrapy


class ScrapyPyppeteerDemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    tags = scrapy.Field()
    score = scrapy.Field()
    cover = scrapy.Field()
    price = scrapy.Field()

middlewares.py完整代码

from pyppeteer import launch
from scrapy.http import HtmlResponse
import asyncio
import logging
from twisted.internet.defer import Deferred

logging.getLogger('websocket').setLevel('INFO')
logging.getLogger('pyppeteer').setLevel('INFO')

def as_deferred(f):
    return Deferred.fromFuture(asyncio.ensure_future(f))

class PyppeteerMiddleware(object):
    async def _process_request(self, request, spider):
        browser = await launch(headless=True)
        page = await browser.newPage()
        pyppeteer_response = await page.goto(request.url)
        await asyncio.sleep(3)
        html = await page.content()
        pyppeteer_response.headers.pop('content-encoding', None)
        pyppeteer_response.headers.pop('Content-Encoding', None)
        response = HtmlResponse(page.url, status=pyppeteer_response.status,
                                headers=pyppeteer_response.headers,
                                body=str.encode(html),
                                encoding='utf-8',
                                request=request)
        await page.close()
        await browser.close()
        return response

    def process_request(self, request, spider):
        return as_deferred(self._process_request(request, spider))

至此借助了Pyppeteer实现了Scrapy对JavaScript渲染页面的爬取。

关键字：