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

设置Scrapy项目： 创建Scrapy项目并配置爬虫。
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。
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。
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。
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。
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

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 = '' + keyyield Request(url=newurl, meta={'use_selenium': True, 'title': key, 'id': i, 'closeid': dflen - 1})

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

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# ...

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'] = titlexiecheng_item['Commentlist'] = commentstrxiecheng_item['AverageScore'] = averagescorexiecheng_item['OpenTime'] = timexiecheng_item['Number'] = numberxiecheng_item['Id'] = idyield 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.textoldtitle = 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 = Nonemax_index = Noneif Similarity_score!=[]:for index, score in enumerate(Similarity_score):if max_score == None or max_score[-1] < score[-1]:max_score = scoremax_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urlif 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.winflagli = 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spiderbody = 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'] = Falseresponse = 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-=1self.closemidd(request)return responseelse: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 Noneelse: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# passreturn 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# ...@classmethoddef 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。