前言
最近有一点点爬虫需求，想总结一下scrapy框架的一些基本使用方法，加深印象，自己一直习惯使用一些脚本文件运行爬虫，面对数据量非常大，稳定性要求比较高的，效率需求比较高的情况下还是用scrapy较为合适，scrapy是一个异步的框架，所有的请求都是阻塞的，虽然在单文件脚本中也可以实现，但是代码就非常的难看，难以维护，过了几天就会忘记复杂的流程，调试起来就非常的困难，scrapy我自己用得也不多，但是觉得它非常地优秀，有成熟的中间件支持，方便的下载器，稳定性效率非常地高，但是其中的运行流程也稍微有些复杂，难以理解，异步框架处理BUG调试非常的麻烦。
初始化scrapy
首选需要安装scrapy 和selenium框架。
pip install scrapy
pip install selenium
初始化框架
scrapy startproject testSpider
依据参考接着进入文件夹，新建爬虫文件。
cd testSpider
scrapy genspider myspider example.com
看看目录
selenium基本使用
selenium前言
今天只讲selenium的基本使用，scrapy框架的流程后面再总结，为什么要在在scrapy中使用selenium，因为有些目标站点的接口是通过分析非常难以复现的，通常会有一些混淆参数导致出现请求遇到拦截的情况，也就是碰到反爬虫措施了，需要分析Javascript代码，分析其中参数的意思，这种过程非常的复杂，工程量非常大，这也是目前高级爬虫的必备知识，需要一些Javascript逆向知识，例如行业中有非常著名的瑞数信息做了翻盘是属于顶尖的存在，专门在一些金融，政府网站上使用这种Javascript代码混淆技术，自己也是稍微了解了一点点。
通过selenium可以绕过一些关键的有反扒的接口，得到一些重要的信息。通常的情况就是使用selenium模拟有反爬措施的登录接口从而得到登录后cookie，然后登陆过后的接口就没有反爬措施。
下载驱动
使用selenium就需要配套的浏览器驱动。我配套的浏览器就是chrome，我自己的浏览器版本。
下载的版本：
然后我把浏览器驱动放在浏览器的目录,然后配置了环境变量：
关键代码
testSpider/spider/myspider.py就是关键代码，目前的代码如下：
import scrapy
class MyspiderSpider(scrapy.Spider):
name = 'myspider'
allowed_domains = ['example.com']
start_urls = ['http://example.com/']
def parse(self, response):
pass
根据文章标题的需求我只需要使用在以上的文件进行编码就行了，加入要使用到其他的接口爬取方法就要去更改testSpider/setting.py里面的设置，如果感兴趣可以参考我之前的文章：使用Scrapy框架爬取V2ex看看程序员中秋节都在讨论啥
直接亮代码，拿七牛云的登录试了一下，因为感觉他比较简单，步骤较少，适合做教程分享，详细情况在注释中讲解：
import scrapy
from selenium.webdriver.chrome.options import Options
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
class MyspiderSpider(scrapy.Spider):
name = 'myspider'
allowed_domains = ['portal.qiniu.com'] # 注意设置好允许爬取的网址列表，这里踩了坑，试了半天发现框架默认的解析器一直没有调用，要写网址的整合域名而不是单单一级域名。
start_urls = ['http://example.com/']
user_name = '********@**.com'
password = '********'
chorme_options = Options()
chorme_options.add_argument("--disable-gpu")
driver = webdriver.Chrome(options=chorme_options) # 初始化Chrome驱动
driver.implicitly_wait(20)
headers = {
'authority': 'portal.qiniu.com',
'accept': '*/*',
'accept-language': 'zh-CN,zh;q=0.9',
'cache-control': 'no-cache',
'referer': 'https://portal.qiniu.com/certificate/ssl',
'sec-ch-ua': '".Not/A)Brand";v="99", "Google Chrome";v="103", "Chromium";v="103"',
'sec-ch-ua-mobile': '?0',
'sec-ch-ua-platform': '"Windows"',
'sec-fetch-dest': 'empty',
'sec-fetch-mode': 'cors',
'sec-fetch-site': 'same-origin',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.134 Safari/537.36',
} # header
cookie = {}
def __del__(self):
self.driver.close()
def parse(self, response, *args, **kwargs):
print('默认的解析器方法，接口请求内容：')
print(response.json())
def start_requests(self):
self.driver.get(url='https://sso.qiniu.com/') # 直接访问登录页
user_input = self.driver.find_element(By.ID, 'email') # 获取用户名输入框
user_input.send_keys(self.user_name) # 输入用户名
password_input = self.driver.find_element(By.ID, 'password') # 获取密码框
password_input.send_keys(self.password) # 输入密码
self.driver.find_element(By.ID, 'login-button').click() # 登录
try:
WebDriverWait(self.driver, 60).until(EC.visibility_of_element_located(
(By.CLASS_NAME, "user-plane-entry"))) # 等待网页跳转，超时等待60秒
except:
print('登陆超时，失败') # 等待超过了60
self.driver.quit()
self.cookie = self.driver.get_cookies() # 获取cookie 此时是键值对
print(self.cookie)
print(self.headers)
yield scrapy.Request(url='https://portal.qiniu.com/api/gaea/billboard/list?status=1', callback=self.parse,
cookies=self.cookie,
headers=self.headers) # 迭代器 放入异步任务中请求
从日志看看效果：
已经正确打印了接口返回的内容，假如直接请求接口会报错：
总结
在scrapy 中使用selenium是一个非常常见的情况，今天只稍微做一下简单的总结，以后碰到的难点会一一记下来分享出来，敬请期待。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系51Testing小编(021-64471599-8017)，我们将立即处理
