动态页面与静态页面
比较常见的页面形式可以分为两种：
- 静态页面
- 动态页面
使用requests进行数据获取的时候一般使用的是respond.text来获取网页源码，然后通过正则表达式提取出需要的内容。
例如：
import requests
response = requests.get('https://www.baidu.com')
print(response.text.encode('raw_unicode_escape').decode())
百度源代码.png
但是动态页面使用上述操作后发现，获取到的内容与实际相差很大。
例如我们打开如下页面：
https://www.aqistudy.cn/historydata/monthdata.php?city=北京
右键选择查看网页源代码
查看网页源代码.png
在网页源代码中查找页面中存在的一个数据：2014-02的PM10为155。
北京空气质量指数.png
这时打开F12查看Elements 可以看到155在元素中有显示
检查.png
综上基本可以明白静态页面和动态页面的区别了。
有两种方式可以获取动态页面的内容：
- 破解JS，实现动态渲染
- 使用浏览器模拟操作，等待模拟浏览器完成页面渲染
由于第一个比较困难所以选择方法二
需求分析
获取各个城市近年来每天的空气质量
- 日期
- 城市
- 空气质量指数
- 空气质量等级
- pm2.5
- pm10
- so2
- co
- no2
- o3
使用scrapy
scrapy操作的基本流程如下：
1.创建项目：scrapy startproject 项目名称
2.新建爬虫：scrapy genspider 爬虫文件名 爬虫基础域名
3.编写item
4.spider最后return item
5.在setting中修改pipeline配置
6.在对应pipeline中进行数据持久化操作
创建
打开命令行，输入scrapy startproject air_history ,创建一个名为air_history的scrapy项目
进入该文件夹，输入scrapy genspider area_spider "aqistudy.cn",可以发现在spiders文件夹下多了一个名为area_spider的py文件
文件目录结构大概如下：
.
├── air_history
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── __pycache__
│ │ ├── __init__.cpython-36.pyc
│ │ └── settings.cpython-36.pyc
│ ├── settings.py
│ └── spiders
│ ├── area_spider.py
│ ├── __init__.py
│ └── __pycache__
│ └── __init__.cpython-36.pyc
└── scrapy.cfg
编写item
根据需求编写item如下,spider最后return item，把值传递给它
import scrapy
class AirHistoryItem(scrapy.Item):
# define the fields for your item here like:
data = scrapy.Field() #日期
city = scrapy.Field() #城市
aqi = scrapy.Field() #空气质量指数
level = scrapy.Field() #空气质量等级
pm2_5 = scrapy.Field() #pm2.5
pm10 = scrapy.Field() #pm10
so2 = scrapy.Field() #so2
co = scrapy.Field() #co
no2 = scrapy.Field() #no2
o3 = scrapy.Field() #o3
编写爬虫
首先可以得知首页是https://www.aqistudy.cn/historydata/
所以将它赋值给一个名为base_url的变量，方便后续使用
自动创建的爬出中携带了爬虫的名字，这个name在启动爬虫的时候需要用到，现在暂时用不到
name = 'area_spider'
allowed_domains = ['aqistudy.cn'] # 爬取的域名，不会超出这个顶级域名
base_url = "https://www.aqistudy.cn/historydata/"
start_urls = [base_url]
城市信息
进入首页之后可以看到一大批的城市信息，所以我们第一步就是获取有哪些城市
def parse(self, response):
print('爬取城市信息....')
url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract() # 全部链接
city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract() # 城市名称
for url, city in zip(url_list, city_list):
yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})
使用插件XPath Helper可以对xpath进行一个测试，看看定位的内容是否正确
xpath.png
随意点击一个地区可以发现url变为https://www.aqistudy.cn/historydata/monthdata.php?city=北京
所以url_list获取到的是需要进行拼接的内容monthdata.php?city=城市名称
city_list的最后部分是text()所以它拿到的是具体的文本信息
将获取到的url_list和city_list逐个传递给scrapy.Request其中url是需要继续爬取的页面地址，city是item中需要的内容，所以将item暂时存放在meta中传递给下个回调函数self.parse_month
月份信息
def parse_month(self, response):
print('爬取{}月份...'.format(response.meta['city']))
url_list = response.xpath('//tbody/tr/td/a/@href').extract()
for url in url_list:
url = self.base_url + url
yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})
此步操作获取了每个城市的全部月份信息，并拿到了每个月份的url地址。把上面传递下来的city继续向下传递
最终数据
获取到最终的URL之后，把item实例化，然后完善item字典并返回item
def parse_day(self, response):
print('爬取最终数据...')
item = AirHistoryItem()
node_list = response.xpath('//tr')
node_list.pop(0) # 去除第一行标题栏
for node in node_list:
item['data'] = node.xpath('./td[1]/text()').extract_first()
item['city'] = response.meta['city']
item['aqi'] = node.xpath('./td[2]/text()').extract_first()
item['level'] = node.xpath('./td[3]/text()').extract_first()
item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
item['pm10'] = node.xpath('./td[5]/text()').extract_first()
item['so2'] = node.xpath('./td[6]/text()').extract_first()
item['co'] = node.xpath('./td[7]/text()').extract_first()
item['no2'] = node.xpath('./td[8]/text()').extract_first()
item['o3'] = node.xpath('./td[9]/text()').extract_first()
yield item
使用中间件实现selenium操作
打开中间件文件middlewares.py
由于我是在服务器上进行爬取，所以我选择使用谷歌的无界面浏览器chrome-headless
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('--headless') # 使用无头谷歌浏览器模式
chrome_options.add_argument('--disable-gpu')
chrome_options.add_argument('--no-sandbox')
# 指定谷歌浏览器路径
webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')
然后进行页面渲染后的源码获取
request.url是传递到中间件的url，由于首页是静态页面，所以首页不进行selenium操作
if request.url != 'https://www.aqistudy.cn/historydata/':
self.driver.get(request.url)
time.sleep(1)
html = self.driver.page_source
self.driver.quit()
return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',request=request)
后续的操作也很简单，最后将获取到的内容正确编码后返回给爬虫的下一步
middlewares全部代码
from scrapy import signals
import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
class AreaSpiderMiddleware(object):
def process_request(self, request, spider):
chrome_options = Options()
chrome_options.add_argument('--headless') # 使用无头谷歌浏览器模式
chrome_options.add_argument('--disable-gpu')
chrome_options.add_argument('--no-sandbox')
# 指定谷歌浏览器路径
self.driver = webdriver.Chrome(chrome_options=chrome_options,executable_path='/root/zx/spider/driver/chromedriver')
if request.url != 'https://www.aqistudy.cn/historydata/':
self.driver.get(request.url)
time.sleep(1)
html = self.driver.page_source
self.driver.quit()
return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',
request=request)
使用下载器保存item内容
修改pipelines.py进行文件的存储
import json
class AirHistoryPipeline(object):
def open_spider(self, spider):
self.file = open('area.json', 'w')
def process_item(self, item, spider):
context = json.dumps(dict(item),ensure_ascii=False) + '\n'
self.file.write(context)
return item
def close_spider(self,spider):
self.file.close()
修改settings文件使中间件，下载器生效
打开settings.py文件
修改以下内容：DOWNLOADER_MIDDLEWARES使刚才写的middlewares中间件中的类,ITEM_PIPELINES是pipelines中的类
BOT_NAME = 'air_history'
SPIDER_MODULES = ['air_history.spiders']
NEWSPIDER_MODULE = 'air_history.spiders'
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
DOWNLOADER_MIDDLEWARES = {
'air_history.middlewares.AreaSpiderMiddleware': 543,
}
ITEM_PIPELINES = {
'air_history.pipelines.AirHistoryPipeline': 300,
}
运行
使用scrapy crawl area_spider就可以运行爬虫
结果.png
spider全部代码
# -*- coding: utf-8 -*-
import scrapy
from air_history.items import AirHistoryItem
class AreaSpiderSpider(scrapy.Spider):
name = 'area_spider'
allowed_domains = ['aqistudy.cn'] # 爬取的域名，不会超出这个顶级域名
base_url = "https://www.aqistudy.cn/historydata/"
start_urls = [base_url]
def parse(self, response):
print('爬取城市信息....')
url_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/@href").extract() # 全部链接
city_list = response.xpath("//div[@class='all']/div[@class='bottom']/ul/div[2]/li/a/text()").extract() # 城市名称
for url, city in zip(url_list, city_list):
url = self.base_url + url
yield scrapy.Request(url=url, callback=self.parse_month, meta={'city': city})
def parse_month(self, response):
print('爬取{}月份...'.format(response.meta['city']))
url_list = response.xpath('//tbody/tr/td/a/@href').extract()
for url in url_list:
url = self.base_url + url
yield scrapy.Request(url=url, callback=self.parse_day, meta={'city': response.meta['city']})
def parse_day(self, response):
print('爬取最终数据...')
item = AirHistoryItem()
node_list = response.xpath('//tr')
node_list.pop(0) # 去除第一行标题栏
for node in node_list:
item['data'] = node.xpath('./td[1]/text()').extract_first()
item['city'] = response.meta['city']
item['aqi'] = node.xpath('./td[2]/text()').extract_first()
item['level'] = node.xpath('./td[3]/text()').extract_first()
item['pm2_5'] = node.xpath('./td[4]/text()').extract_first()
item['pm10'] = node.xpath('./td[5]/text()').extract_first()
item['so2'] = node.xpath('./td[6]/text()').extract_first()
item['co'] = node.xpath('./td[7]/text()').extract_first()
item['no2'] = node.xpath('./td[8]/text()').extract_first()
item['o3'] = node.xpath('./td[9]/text()').extract_first()
yield item
