1.前言
目标网站：武汉市环境保护局（http://hbj.wuhan.gov.cn/viewAirDarlyForestWaterInfo.jspx）。scrapy对接selenium模块抓取空气质量日报数据，需要搭建selenium运行的相应环境，大概搭建方法参见：selenium基本使用；主要是模块的安装和驱动的下载与安装，windows下好像不支持Chorme的无头浏览器，但是有界面的浏览器速度会相对较慢，有条件搭建linux的，用linux下的Chorme headless驱动会快很多；其他的，像火狐等主流浏览器也有对应的驱动，环境搭建差不多，本文用的就是windows下谷歌的驱动（慢就慢点吧）；Phantomjs无头浏览器好像现在不能用了。
注意：Chorme浏览器的驱动下载需要结合自己电脑的浏览器版本下载对应的驱动，不然可能驱动用不了。
2.任务分析
抓取武汉市环境保护局的空气质量日报，该网站数据是采用异步加载的；抓包分析可知，整个过程都是对同一个url进行抓取（注：这是一个点，后续编码需要考虑的）；因为是用selenium点开网页，所以不需要考虑POST还是GET请求。
3.代码逻辑
3.1 创建scrapy项目
基础的项目创建、爬虫创建及创建后项目的文件结构等内容，就不一一写了，基本使用网上有很多博文，直接上正文了。
3.2 明确抓取字段
来到items.py文件，明确待抓取字段。
# -*- coding: utf-8 -*- import scrapy class EnvprotectItem(scrapy.Item): # 日期 date = scrapy.Field() # 点位 loca = scrapy.Field() # SO2 SO_2 = scrapy.Field() # NO2 NO_2 = scrapy.Field() # 吸入颗粒 PMIO = scrapy.Field() # CO CO_1 = scrapy.Field() # O3 O3_d = scrapy.Field() # 细颗粒物 PM25 = scrapy.Field() # 空气质量指数 AQIe = scrapy.Field() # 首要污染物 prmy = scrapy.Field() # AQI级别 AQIl = scrapy.Field() # AQI类别 AQIt = scrapy.Field()
3.3 编写爬虫逻辑
到spiders文件夹下的爬虫文件中，开始编写爬虫逻辑。
从第一次selenium请求后的结果中，解析出共多少条数据，以此确定共多少个页面；
从返回的网页源代码中解析数据；
模拟点击“下一页”，获取数据后，继续解析数据，直至解析完所有页面；
selenium模拟点击操作的代码都在middlewares.py的下载中间件中编写；
scrapy会默认过滤掉重复请求（即目标url相同），我们是对同一目标url爬取，因此注意重复请求的设置。
# -*- coding: utf-8 -*- import math import scrapy from EnvProtect.items import EnvprotectItem class ProtectenvSpider(scrapy.Spider): name = 'ProtectEnv' # allowed_domains = ['hbj.wuhan.gov.cn'] # start_urls = ['http://hbj.wuhan.gov.cn/'] page=1 pages=1 # 目标url base_url = 'http://hbj.wuhan.gov.cn/viewAirDarlyForestWaterInfo.jspx' def start_requests(self):
yield scrapy.Request( url=self.base_url, callback=self.parse, dont_filter=True, # 设置不过滤重复请求，scrapy默认过滤重复请求 meta={'index':1} # 该参数判断是否为第一次请求 ) def parse(self, response): """ 第一次请求返回结果中解析出，指定时间段（在middlewares.py文件中指定，后续介绍）内一共有多少条数据； 由于一直是对同一个页面进行爬取（翻页时url没变，数据变了），数据共多少条（页）确定一次就够了 :param response: :return: """ if response.meta['index']: counts = response.xpath("//div[@class='serviceitempage fr']/span[@class='fl']/text()").extract_first() counts = int(counts.split(' ')[0]) self.pages = math.ceil(counts / 22) # 确定一共多少个页面 # 解析数据 node_list = response.xpath('//*[@id="tableForm"]/div/div[3]/table/tbody/tr')[1:] for node in node_list: item = EnvprotectItem() item['date'] = node.xpath("./td[1]/text()").extract_first() item['loca'] = node.xpath("./td[2]/text()").extract_first() item['SO_2'] = node.xpath("./td[3]/text()").extract_first() item['NO_2'] = node.xpath("./td[4]/text()").extract_first() item['PMIO'] = node.xpath("./td[5]/text()").extract_first() item['CO_1'] = node.xpath("./td[6]/text()").extract_first() item['O3_d'] = node.xpath("./td[7]/text()").extract_first() item['PM25'] = node.xpath("./td[8]/text()").extract_first() item['AQIe'] = node.xpath("./td[9]/text()").extract_first() item['prmy'] = node.xpath("./td[10]/text()").extract_first() item['AQIl'] = node.xpath("./td[11]/text()").extract_first() item['AQIt'] = node.xpath("./td[12]/text()").extract_first() yield item # 编写爬虫停止运行逻辑 if self.page < self.pages: self.page += 1 yield scrapy.Request( url = self.base_url, callback=self.parse, dont_filter=True, # 不过滤重复请求，scrapy默认过滤重复请求 meta={'index':0} )
3.4 编写下载中间件
selenium的所有操作的代码都写在下载中间件中。
# -*- coding: utf-8 -*- import time import scrapy from selenium.webdriver.common.action_chains import ActionChains from selenium import webdriver from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.common.by import By from EnvProtect.settings import USER_AGENTS as ua class EnvprotectDownloaderMiddleware(object): def __init__(self): """ 第一页时，不需要点击跳转；其他页面需要模拟点击跳转来获取数据 """ self.index = 1 def process_request(self, request, spider): if request.url == 'http://hbj.wuhan.gov.cn/viewAirDarlyForestWaterInfo.jspx': self.driver = webdriver.Chrome() # 实例化一个谷歌浏览器 self.driver.get(request.url) # 请求页面 wait = WebDriverWait(self.driver, 30) # 等待页面数据加载，等待30s try: # 选择城区 wait.until(EC.frame_to_be_available_and_switch_to_it((By.ID, "iframepage"))) # 等待iframe标签出现 options = self.driver.find_element_by_xpath("//select[@id='typedictionary']/option[2]") options.click() # 选择时间 self.driver.find_element_by_id('cdateBeginDic').send_keys('2018-11-01') self.driver.find_element_by_id('cdateEndDic').send_keys('2019-01-20') # 点击查询 self.driver.find_element_by_xpath("//a[@href='#' and @onclick='toQuery(2);']").click() time.sleep(5) # 指定页面 if not self.index == 1: self.index += 1 # 第一个页面不用跳转，其他页面需要跳转过去 self.driver.find_element_by_id('goPag').send_keys(str(self.index)) self.driver.find_element_by_id('_goPag').click() # 跳转到该页面 except: print("Error!") self.driver.quit() # 构造返回response html = self.driver.page_source self.driver.quit() response = scrapy.http.HtmlResponse(url=request.url, body=html, request=request, encoding='utf-8') return response
3.5 数据保存逻辑
在pipelines文件中编写数据保存逻辑，此处将数据保存为excel文件。
# -*- coding: utf-8 -*- from openpyxl import Workbook class EnvprotectPipeline(object): def __init__(self): # 创建excel表格保存数据 self.workbook = Workbook() self.booksheet = self.workbook.active self.booksheet.append(['日期', '检测点位', '二氧化硫', '二氧化氮', '可吸入颗粒物', '一氧化碳', '臭氧', '细颗粒物', '空气质量指数', '首要污染物', 'AQI指数级别', 'AQI指数类别']) def process_item(self, item, spider): DATA = [ item['date'], item['loca'], item['SO_2'], item['NO_2'], item['PMIO'], item['CO_1'], item['O3_d'], item['PM25'], item['AQIe'], item['prmy'], item['AQIl'], item['AQIt'] ] self.booksheet.append(DATA) self.workbook.save('./results.xls') return item
3.6 其他
1.在settings.py文件中打开对应的pipe通道；
2.关闭robot.txt协议
4.完整代码
参见：github地址