Scrapy+Chromium+代理+selenium
上周说到scrapy的基本入门。这周来写写其中遇到的代理和js渲染的坑。
js渲染
js是爬虫中毕竟麻烦处理的一块。通常的解决办法是通过抓包,然后查看request
信息,接着捕获ajax返回的消息。
但是,如果遇到一些js渲染特别复杂的情况,这种办法就非常非常的麻烦。所以我们采用了selenium
这个包,用它来调用chromium
完成js渲染的问题。
安装
tip:为什么选择chromium
而不是chrome
。我之前装的就是chrome
。但是安装chrome
之后还需要安装chrome-drive
,而很多linux发行版的包管理没有现成的chrome
包和chrome-drive
包,自己去找的话很容易出现chrome-drive
和chrome
版本不一致而导致不能使用。为了减少因为安装环境所带来的烦恼。我们这边用docker
来解决。Dockerfile
FROM alpine:3.8 COPY requirements.txt /tmp RUN apk update \ && apk add --no-cache xvfb python3 python3-dev curl libxml2-dev libxslt-dev libffi-dev gcc musl-dev \ && apk add --no-cache libgcc openssl-dev chromium=68.0.3440.75-r0 libexif udev chromium-chromedriver=68.0.3440.75-r0 \ && curl https://bootstrap.pypa.io/get-pip.py | python3 \ && adduser -g chromegroup -D chrome \ && pip3 install -r /tmp/requirements.txt && rm /tmp/requirements.txt USER chrometip:这边还有一个坑,
chrome
和chromium
都不能在root模式下运行,而且也不安全。所以最好是创建一个用户来运行。使用docker的时候,run
时候需要加--privileged
参数
如果你需要了解如何在root用户下运行chrome,请阅读这篇博文
Ubuntu16.04安装Chrome浏览器及解决root不能打开的问题
requirements.txt
Scrapy selenium Twisted PyMysql pyvirtualdisplay
把requirements.txt
和Dockerfile
放在一起。
并在目录下使用docker命令docker build -t "chromium-scrapy-image" .
xvfb
和pyvirtualdisplay
。因为chromium
的headless
模式下不能处理带账号密码的问题。待会就会说到了。Redhat
和Debian
可以去包仓库找一下最新的chromium
和对应的chromium-drive
下载安装就可以了。版本一定要是对应的!这边使用chromium=68.0.3440.75-r0
和chromium-chromedriver=68.0.3440.75-r0
。
修改Scrapy
的Middleware
使用了chromium
之后,我们在middlewares.py
文件修改一下。我们的设想是让chromium
来替代掉request
请求。所以我们修改了DownloaderMiddleware
#DownloaderMiddleware class DemoDownloaderMiddleware(object): def __init__(self): chrome_options = webdriver.ChromeOptions() # 启用headless模式 chrome_options.add_argument('--headless') # 关闭gpu chrome_options.add_argument('--disable-gpu') # 关闭图像显示 chrome_options.add_argument('--blink-settings=imagesEnabled=false') self.driver = webdriver.Chrome(chrome_options=chrome_options) def __del__(self): self.driver.quit() @classmethod def from_crawler(cls, crawler): s = cls() crawler.signals.connect(s.spider_opened, signal=signals.spider_opened) return s def process_request(self, request, spider): # chromium处理 # ... return HtmlResponse(url=request.url, body=self.driver.page_source, request=request, encoding='utf-8', status=200) def process_response(self, request, response, spider): # Called with the response returned from the downloader. # Must either; # - return a Response object # - return a Request object # - or raise IgnoreRequest return response def process_exception(self, request, exception, spider): # Called when a download handler or a process_request() # (from other downloader middleware) raises an exception. # Must either: # - return None: continue processing this exception # - return a Response object: stops process_exception() chain # - return a Request object: stops process_exception() chain pass def spider_opened(self, spider): spider.logger.info('Spider opened: %s' % spider.name)tip:这边我们只有一个中间件来处理
request
。也就是说,所有的逻辑都要经过这儿。所以直接返回了response
。这就解决了selenium
和chromium
的安装问题。
chromium
不支持headless
问题
如果你安装的chromium
版本太老,不支持headless
,不着急。之前我们安装的xvfb
和pyvirtualdisplay
就派上用场了。
from pyvirtualdisplay import Display ... >>> chrome_options.add_argument('--headless') <<< # chrome_options.add_argument('--headless') display=Display(visible=0,size=(800,800)) display.start() ... >>> self.driver.quit() <<< self.driver.quit() display.stop() ...
我们模拟出了一个显示界面,这个时候,不管chromium
开不开启headless
,都能在我们的服务器上运行了。
代理
因为我们已经用chromium
替换了request
。所以我们做的代理也不能在Scrapy
中来处理。
我们需要直接用chromium
来处理IP代理问题。
这是不使用chromium
之前使用代理的办法
class DemoProxyMiddleware(object): # overwrite process request def process_request(self, request, spider): # Set the location of the proxy request.meta['proxy'] = "https://proxy.com:8080" # Use the following lines if your proxy requires authentication proxy_user_pass = "username:password" encoded_user_pass = base64.b64encode(proxy_user_pass.encode('utf-8')) # setup basic authentication for the proxy request.headers['Proxy-Authorization'] = 'Basic ' + str(encoded_user_pass, encoding="utf-8")
如果你的IP代理不需要账号密码的话,只需要把后面三行删除了就可以了。
根据上面这段代码,我们也不难猜出chromium
解决代理的方法了。
chrome_options.add_argument('--proxy=proxy.com:8080')
只需要加一段argument就可以了。
那解决带账号密码的办法呢?
解决chromium
下带账号密码的代理问题
先创建一个py文件
import string import zipfile def create_proxyauth_extension(proxy_host, proxy_port, proxy_username, proxy_password, scheme='http', plugin_path=None): """代理认证插件 args: proxy_host (str): 你的代理地址或者域名(str类型) proxy_port (int): 代理端口号(int类型) proxy_username (str):用户名(字符串) proxy_password (str): 密码 (字符串) kwargs: scheme (str): 代理方式 默认http plugin_path (str): 扩展的绝对路径 return str -> plugin_path """ if plugin_path is None: plugin_path = 'vimm_chrome_proxyauth_plugin.zip' manifest_json = """ { "version": "1.0.0", "manifest_version": 2, "name": "Chrome Proxy", "permissions": [ "proxy", "tabs", "unlimitedStorage", "storage", "<all_urls>", "webRequest", "webRequestBlocking" ], "background": { "scripts": ["background.js"] }, "minimum_chrome_version":"22.0.0" } """ background_js = string.Template( """ var config = { mode: "fixed_servers", rules: { singleProxy: { scheme: "${scheme}", host: "${host}", port: parseInt(${port}) }, bypassList: ["foobar.com"] } }; chrome.proxy.settings.set({value: config, scope: "regular"}, function() {}); function callbackFn(details) { return { authCredentials: { username: "${username}", password: "${password}" } }; } chrome.webRequest.onAuthRequired.addListener( callbackFn, {urls: ["<all_urls>"]}, ['blocking'] ); """ ).substitute( host=proxy_host, port=proxy_port, username=proxy_username, password=proxy_password, scheme=scheme, ) with zipfile.ZipFile(plugin_path, 'w') as zp: zp.writestr("manifest.json", manifest_json) zp.writestr("background.js", background_js) return plugin_path
使用方式
proxyauth_plugin_path = create_proxyauth_extension( proxy_host="host", proxy_port=port, proxy_username="user", proxy_password="pwd") chrome_options.add_extension(proxyauth_plugin_path)
这样就完成了chromium的代理了。但是,如果你开启了headless
模式,这个方法会提示错误。所以解决办法就是,关闭headless
模式。
至于怎么在没有gui
的情况下使用chromium
。在之前已经提到过,使用xvfb
和pyvirtualdisplay
就可以了。