मैं व्यक्तिगत रूप से स्क्रैपी और सेलेनियम का उपयोग करना पसंद करता हूं और दोनों अलग-अलग कंटेनरों में डॉकटरिंग करता हूं। इस तरह आप न्यूनतम परेशानी के साथ दोनों को स्थापित कर सकते हैं और आधुनिक वेबसाइटों को क्रॉल कर सकते हैं, जिनमें लगभग सभी एक या दूसरे रूप में जावास्क्रिप्ट होती हैं। यहाँ एक उदाहरण है:
scrapy startprojectअपना स्क्रैपर बनाने के लिए और अपने मकड़ी को लिखने के लिए उपयोग करें , कंकाल इस के रूप में सरल हो सकता है:
import scrapy
class MySpider(scrapy.Spider):
name = 'my_spider'
start_urls = ['https://somewhere.com']
def start_requests(self):
yield scrapy.Request(url=self.start_urls[0])
def parse(self, response):
# do stuff with results, scrape items etc.
# now were just checking everything worked
print(response.body)
असली जादू midwares.py में होता है। डाउनलोडर मिडलवेयर में दो तरीकों को अधिलेखित करें, __init__और process_request, निम्न तरीके से:
# import some additional modules that we need
import os
from copy import deepcopy
from time import sleep
from scrapy import signals
from scrapy.http import HtmlResponse
from selenium import webdriver
class SampleProjectDownloaderMiddleware(object):
def __init__(self):
SELENIUM_LOCATION = os.environ.get('SELENIUM_LOCATION', 'NOT_HERE')
SELENIUM_URL = f'http://{SELENIUM_LOCATION}:4444/wd/hub'
chrome_options = webdriver.ChromeOptions()
# chrome_options.add_experimental_option("mobileEmulation", mobile_emulation)
self.driver = webdriver.Remote(command_executor=SELENIUM_URL,
desired_capabilities=chrome_options.to_capabilities())
def process_request(self, request, spider):
self.driver.get(request.url)
# sleep a bit so the page has time to load
# or monitor items on page to continue as soon as page ready
sleep(4)
# if you need to manipulate the page content like clicking and scrolling, you do it here
# self.driver.find_element_by_css_selector('.my-class').click()
# you only need the now properly and completely rendered html from your page to get results
body = deepcopy(self.driver.page_source)
# copy the current url in case of redirects
url = deepcopy(self.driver.current_url)
return HtmlResponse(url, body=body, encoding='utf-8', request=request)
सेटिंग्स में अगली पंक्तियों को खोलकर इस मिडलवेयर को सक्षम करना न भूलें:
DOWNLOADER_MIDDLEWARES = {
'sample_project.middlewares.SampleProjectDownloaderMiddleware': 543,}
डॉक्यूमेंटेशन के लिए अगला। अपनी Dockerfileएक हल्की छवि बनाएं (मैं यहां अजगर अल्पाइन का उपयोग कर रहा हूं), अपनी परियोजना निर्देशिका को कॉपी करें, आवश्यकताओं को स्थापित करें:
# Use an official Python runtime as a parent image
FROM python:3.6-alpine
# install some packages necessary to scrapy and then curl because it's handy for debugging
RUN apk --update add linux-headers libffi-dev openssl-dev build-base libxslt-dev libxml2-dev curl python-dev
WORKDIR /my_scraper
ADD requirements.txt /my_scraper/
RUN pip install -r requirements.txt
ADD . /scrapers
और अंत में यह सब एक साथ लाएं docker-compose.yaml:
version: '2'
services:
selenium:
image: selenium/standalone-chrome
ports:
- "4444:4444"
shm_size: 1G
my_scraper:
build: .
depends_on:
- "selenium"
environment:
- SELENIUM_LOCATION=samplecrawler_selenium_1
volumes:
- .:/my_scraper
# use this command to keep the container running
command: tail -f /dev/null
भागो docker-compose up -d। यदि आप ऐसा पहली बार कर रहे हैं तो लेटेस्ट सेलेनियम / स्टैंडअलोन-क्रोम लाने के लिए और आपकी स्क्रैपर इमेज बनाने में भी थोड़ा समय लगेगा।
एक बार यह हो जाने के बाद, आप जांच सकते हैं कि आपके कंटेनर किसके साथ चल रहे हैं docker psऔर यह भी जाँच लें कि सेलेनियम कंटेनर का नाम उस पर्यावरण चर से मेल खाता है जिसे हम अपने स्क्रैपर कंटेनर (यहाँ, यह था SELENIUM_LOCATION=samplecrawler_selenium_1) से गुजरे थे ।
docker exec -ti YOUR_CONTAINER_NAME shमेरे साथ अपने स्क्रैपर कंटेनर को दर्ज करें , मेरे लिए कमांड docker exec -ti samplecrawler_my_scraper_1 shसही निर्देशिका में सीडी थी और अपने स्क्रैपर को चलाएं scrapy crawl my_spider।
पूरी बात मेरे जीथूब पेज पर है और आप इसे यहाँ से प्राप्त कर सकते हैं