Scrapy+Selenium项目实战--携程旅游信息爬虫

在网络爬虫中，使用Scrapy和Selenium相结合是获取动态网页数据的有效方式。本文将介绍如何使用Scrapy和Selenium构建一个爬取携程旅游信息的爬虫，实现自动化获取数据的过程。
本文已对部分关键URL进行处理，本文内容仅供参考，请勿用以任何商业、违法行径

简介

携程（you.ctrip.com）是一个提供旅游信息的网站，但它的部分内容可能是动态加载的，难以直接通过Scrapy获取。这时就需要借助Selenium这样的工具，模拟浏览器行为进行数据的获取和处理。

工具准备

• Scrapy： 一个用于爬取网站并提取结构化数据的强大框架。
• Selenium： 一个自动化测试工具，可以模拟用户操作浏览器的行为。
• ChromeDriver： 作为Selenium WebDriver的一部分，用于驱动Chrome浏览器进行自动化测试。
  具体下载地址和环境配置可参考：
  使用Selenium和bs4进行Web数据爬取和自动化(爬取掘金首页文章列表) - 掘金 (juejin.cn)

实现步骤

1. 设置Scrapy项目： 创建Scrapy项目并配置爬虫。
2. 编写爬虫： 使用Scrapy的Spider编写爬虫，设置起始URL和数据提取规则。
3. 设置Selenium中间件： 创建Selenium中间件，用于处理需要动态加载的页面内容。
4. 利用Selenium模拟浏览器行为： 在Selenium中间件中，使用ChromeDriver启动浏览器，模拟点击、等待页面加载等操作。
5. 处理页面内容： 利用Selenium获取到的页面内容，提取需要的信息并返回给Spider。
6. 数据存储或处理： Spider获取到数据后，可以选择存储到数据库或进行其他处理。

代码实现

爬虫部分

1. 爬虫启动：

   • 爬虫启动后，读取Excel文件中的景区名称作为搜索关键词。
   • 构建对应的携程搜索链接，并发起Request请求。

def start_requests(self):
    df = pd.read_excel("D:\code\Scrapy\scrapy_tour\A级景区（按省份）.xlsx")
    scenic_namelist = df['景区名称']
    dflen = len(scenic_namelist)
    for i in range(10641, dflen):
        key = scenic_namelist[i]
        newurl = '' + key
        yield Request(url=newurl, meta={'use_selenium': True, 'title': key, 'id': i, 'closeid': dflen - 1})

2. Selenium配置：
   • 通过Selenium进行浏览器模拟，创建Chrome实例，设置headless模式（无界面运行）。
   • 使用预设的Chrome浏览器驱动（chromedriver.exe），打开携程首页，读取并加载已保存的Cookie信息，实现自动登录。

def creat_browser(self):
    # ... ChromeOptions设置及浏览器实例化 ...
    browser = webdriver.Chrome(service=service, options=options)
    browser.get("")
    browser.delete_all_cookies()
    with open('scrapy_tour/cookies_xiecheng.json', 'r', encoding='utf-8') as f:
        listCookies = json.loads(f.read())
    for cookie in listCookies:
        browser.add_cookie(cookie)
    browser.refresh()
    return browser

3. 评论信息采集：
   • 在页面加载完毕后，使用Selenium定位和等待元素加载，获取评论相关内容（评分、评论内容、评论时间等）。
   • 实现翻页操作，模拟用户点击下一页，持续获取更多评论信息，直至达到设定的页数或无法继续翻页。

def parse(self, response):
    # ...
    while True:
        # 定位评论元素，等待加载
        elements = WebDriverWait(self.driver, 3).until(
            lambda x: x.find_elements(by=By.CSS_SELECTOR, value='.commentList .commentItem .contentInfo'))
        # 获取评论相关信息
        # 翻页操作
    # ...

4. 数据存储：
   • 将获取的评论信息存储到XiechengItem中，并利用Scrapy框架的Item Pipeline进行后续处理和存储。

if id is not None and title is not None and commentstr!='':
    xiecheng_item['Title'] = title
    xiecheng_item['Commentlist'] = commentstr
    xiecheng_item['AverageScore'] = averagescore
    xiecheng_item['OpenTime'] = time
    xiecheng_item['Number'] = number
    xiecheng_item['Id'] = id
    yield xiecheng_item

通过这样的爬取方式，可以获取携程上景区的评论信息，包括评分、评论内容、评论时间等，为进一步分析景区口碑提供了数据支持。

中间件

class xiecheng_SeleniumMiddleware:
    def __init__(self):

        self.driver = creat_browser()
        self.winflag = 0




   # 释放资源
    def closemidd(self,request):
        if request.meta.get('closeid')==request.meta.get('id'):
            self.driver.quit()



    def process_request(self, request, spider):
        if request.meta.get('use_selenium'):
            self.driver.get(request.url)
            # 在这里使用Selenium进行页面交互，如点击按钮、填写表单等
            # 并等待页面加载完成
            # 获取页面内容
            # page_source = self.driver.page_source
            # 转换为字节格式，以避免一些编码错误
            # self.driver.implicitly_wait(5)  # 设置隐式等待时间为5秒
            try:

                # 显示等待确保能找到元素，显示等待3s
                # raise IgnoreRequest("强制取消")
                elements = WebDriverWait(self.driver, 3).until(
                    lambda x: x.find_elements(by=By.CSS_SELECTOR, value='.guide-main-item-bottom .title'))

                Similarity_score = []
                for element in elements:
                    title = element.text
                    oldtitle = request.url.split('=')[1]
                    # url 转码中文
                    oldtitle = urllib.parse.unquote(oldtitle)
                    Similarity_score.append(get_similarity(oldtitle, title))
                    # if Similarity_score[-1][4] >=50:
                    #     print(Similarity_score[-1])

                max_score = None
                max_index = None

                if Similarity_score!=[]:
                    for index, score in enumerate(Similarity_score):
                        if max_score == None or max_score[-1] < score[-1]:
                            max_score = score
                            max_index = index


                # 找到最匹配的选项
                # print('max', max_score)
                # print(max_index)
                # 若成功找到最匹配项,且各种匹配方式得分都大于50.点击该景点获取url
                if max_score != None and max_score[2] >= 50 and max_score[3] >= 50 and max_score[4] >= 50:
                    print('max', max_score)
                    elements[max_index].click()
                    print("click yes")
                    # self.winflag+=1
                    # thiswim=self.winflag
                    li = self.driver.window_handles  # 出现多个窗口，需要切换句柄，先获取句柄列表
                    if len(li)>=2:
                        self.driver.switch_to.window(li[-1])  # 切换句柄
                        # 显示等待热度数据,等待详情页显示完毕
                        hot = WebDriverWait(self.driver, 3).until(
                            lambda x: x.find_elements(by=By.CSS_SELECTOR, value='.heatView .heatScoreView .heatScoreText'))
                        # 将详情页信息发送到spider
                        body = to_bytes(self.driver.page_source, encoding='utf-8')
                        print('传入爬虫url')
                        print(self.driver.current_url)
                        # 修改中间件判断参数
                        request.meta['use_selenium'] = False
                        response = HtmlResponse(url=self.driver.current_url, body=body, encoding='utf-8',
                                                request=request)
                        # 关闭窗口句柄减一
                        self.driver.close()

                        # 切换至搜索页面窗口
                        if len(li) >= 1:
                            self.driver.switch_to.window(li[0])
                        # self.winflag-=1
                        self.closemidd(request)
                        return response


                else:
                    self.closemidd(request)
                    raise IgnoreRequest("未找到相似度合格的元素")
            except Exception as e:
                raise IgnoreRequest("中间件报错，或可能是显示等待的元素等待超时或是元素不存在。")
                spider.logger.error(f"Error: 中间件报错，{e}")

                # return None
        else:
            print('未进入携程的中间件，被转移')
            # 不使用 Selenium，直接返回 None，让 Scrapy 使用默认的下载器处理这个请求
            # pass
            return None

以上是一个用于Scrapy爬虫的中间件，主要功能是通过Selenium模拟浏览器操作，实现页面交互和内容获取。

• 初始化：

  • 在初始化方法中，创建了一个浏览器实例self.driver。
  • 设定了一个标志位self.winflag用于跟踪窗口数量。

• 请求处理：

  • process_request方法处理请求，当请求中包含指定的参数use_selenium时，使用Selenium处理请求。
  • 使用WebDriverWait进行页面元素的显示等待，等待指定元素加载完成。
  • 根据元素内容的相似度进行匹配，点击最匹配的选项，获取相关详情信息。
  • 如果成功找到匹配项且相似度符合要求，切换到详情页，等待详情页数据加载完毕，获取页面信息并构造HtmlResponse对象。
  • 关闭详情页窗口，返回HtmlResponse对象，传递给爬虫处理。
  • 若未找到相似度合格的元素或发生异常，则忽略该请求，不进行处理。

• 资源释放：

  • closemidd方法用于释放资源，在请求处理完成后，根据条件判断是否关闭浏览器窗口句柄。

Pipeline管道

在Scrapy框架中，处理数据的管道（Pipeline）起着至关重要的作用。其中，MySQLPipeline是一种常见的数据处理管道，用于将爬取的数据存储到MySQL数据库中。

class MySQLPipeline:
    def __init__(self, mysql_host, mysql_port, mysql_database, mysql_user, mysql_password):
        # 初始化连接参数和数据库连接实例
        # ...

    @classmethod
    def from_crawler(cls, crawler):
        # 从爬虫配置中获取数据库连接参数
        # ...

    def open_connection(self):
        # 手动开启数据库连接
        # ...

    def open_spider(self, spider):
        # 在爬虫启动时打开数据库连接
        # ...

    def close_spider(self, spider):
        # 在爬虫关闭时关闭数据库连接并提交数据
        # ...

    def process_item(self, item, spider):
        # 处理爬取到的数据，并根据数据类型执行相应的数据库插入操作
        # ...

    def write_data(self, sql):
        # 执行批量数据写入操作
        # ...

• 初始化：MySQLPipeline类在初始化时接收MySQL数据库连接所需的参数，并创建了数据库连接的实例以及一个用于暂存数据的列表。
• 从配置中获取参数：通过from_crawler方法从Scrapy的配置中获取MySQL数据库连接的参数。
• 数据库连接管理：open_connection方法用于手动开启数据库连接；open_spider方法在爬虫启动时调用，也用于开启数据库连接；close_spider方法在爬虫关闭时调用，用于关闭数据库连接并提交数据到数据库。
• 数据处理：process_item方法根据不同的数据类型，执行相应的数据库插入操作，将数据存储到对应的数据表中。
• 批量写入数据：write_data方法用于执行批量数据写入操作，将暂存的数据列表批量写入数据库表中，并在操作完成后清空数据列表。

这样我们就成功的构建了一个旅游信息采集爬虫。

注意事项

• 页面结构变化： 网站的页面结构可能会不定期更改，导致原有的提取规则失效，需要定期检查和更新提取规则。
• 反爬措施： 网站可能有反爬措施，需要注意不要频繁请求或暴露爬虫行为。

总结

通过Scrapy和Selenium的结合，我们可以构建一个能够有效获取旅游信息的爬虫。但是需要注意，爬虫在实际应用中需要遵守网站的规则，避免对网站造成过大压力或触发反爬机制。

以上就是利用Scrapy和Selenium构建旅游信息爬虫的基本流程和实现方法。

（注意：以上代码和步骤仅为示例，实际爬虫需根据网站的页面结构和变化进行相应调整和处理。）