Scrapy爬虫中使用Splash抓取动态JS页面

目前，为了加速页面的加载速度，页面的很多部分都是用JS生成的，而对于用scrapy爬虫来说就是一个很大的问题，因为scrapy没有JS engine，所以爬取的都是静态页面，对于JS生成的动态页面都无法获得。

解决方案：

• 利用第三方中间件来提供JS渲染服务： scrapy-splash 等。
• 利用webkit或者基于webkit库

Splash简介：

Splash是一个Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器，Splash是用Python实现的，同时使用Twisted和QT。Twisted（QT）用来让服务具有异步处理能力，以发挥webkit的并发能力。

---

下面就来讲一下如何使用scrapy-splash：

1. 利用pip安装scrapy-splash库：
   $ pip install scrapy-splash
2. scrapy-splash使用的是Splash HTTP API， 所以需要一个splash instance，一般采用docker运行splash，所以需要安装docker。
   
3. 安装docker, 安装好后运行docker。
4. 拉取镜像(pull the image)：
   $ docker pull scrapinghub/splash
5. 用docker运行scrapinghub/splash：
   $ docker run -p 8050:8050 scrapinghub/splash

6. 配置splash服务（以下操作全部在settings.py）：

   1）添加splash服务器地址：

   SPLASH_URL = 'http://localhost:8050'  

   2）将splash middleware添加到DOWNLOADER_MIDDLEWARE中：

   DOWNLOADER_MIDDLEWARES = {
   'scrapy_splash.SplashCookiesMiddleware': 723,
   'scrapy_splash.SplashMiddleware': 725,
   'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
   }

   3)Enable SplashDeduplicateArgsMiddleware:

   SPIDER_MIDDLEWARES = {
   'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
   }

   4)Set a custom DUPEFILTER_CLASS:

   DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'

   5)a custom cache storage backend:

   HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

7. 例子
   获取HTML内容：

import scrapy
from scrapy_splash import SplashRequest

class MySpider(scrapy.Spider):
    start_urls = ["http://example.com", "http://example.com/foo"]

    def start_requests(self):
        for url in self.start_urls:
            yield SplashRequest(url, self.parse, args={'wait': 0.5})

    def parse(self, response):
        # response.body is a result of render.html call; it
        # contains HTML processed by a browser.
        # ...        

参考资料

Scrapinghub博客：http://blog.scrapinghub.com/

Splash官方文档：http://splash.readthedocs.org/en/latest/scripting-tutorial.html

Github中ScrapyJS项目：https://github.com/scrapinghub/scrapyjs