上周说到scrapy的基本入门。这周来写写其中遇到的代理和js渲染的坑。
js渲染
js是爬虫中毕竟麻烦处理的一块。通常的解决办法是通过抓包，然后查看request信息，接着捕获ajax返回的消息。
但是，如果遇到一些js渲染特别复杂的情况，这种办法就非常非常的麻烦。所以我们采用了selenium这个包，用它来调用chromium完成js渲染的问题。
安装
tip:为什么选择chromium而不是chrome。我之前装的就是chrome。但是安装chrome之后还需要安装chrome-drive，而很多linux发行版的包管理没有现成的chrome包和chrome-drive包，自己去找的话很容易出现chrome-drive和chrome版本不一致而导致不能使用。
为了减少因为安装环境所带来的烦恼。我们这边用docker来解决。Dockerfile
FROM alpine:3.8
COPY requirements.txt /tmp
RUN apk update \
&& apk add --no-cache xvfb python3 python3-dev curl libxml2-dev libxslt-dev libffi-dev gcc musl-dev \
&& apk add --no-cache libgcc openssl-dev chromium=68.0.3440.75-r0 libexif udev chromium-chromedriver=68.0.3440.75-r0 \
&& curl https://bootstrap.pypa.io/get-pip.py | python3 \
&& adduser -g chromegroup -D chrome \
&& pip3 install -r /tmp/requirements.txt && rm /tmp/requirements.txt
USER chrometip：这边还有一个坑，chrome和chromium都不能在root模式下运行，而且也不安全。所以最好是创建一个用户来运行。使用docker的时候，
run时候需要加--privileged参数
如果你需要了解如何在root用户下运行chrome，请阅读这篇博文
Ubuntu16.04安装Chrome浏览器及解决root不能打开的问题
requirements.txt
Scrapy
selenium
Twisted
PyMysql
pyvirtualdisplay把requirements.txt和Dockerfile放在一起。
并在目录下使用docker命令docker build -t "chromium-scrapy-image" .
至于为什么要安装xvfb和pyvirtualdisplay。因为chromium的headless模式下不能处理带账号密码的问题。待会就会说到了。
Redhat和Debian可以去包仓库找一下最新的chromium和对应的chromium-drive下载安装就可以了。版本一定要是对应的！这边使用chromium=68.0.3440.75-r0和chromium-chromedriver=68.0.3440.75-r0。
修改Scrapy的Middleware
使用了chromium之后，我们在middlewares.py文件修改一下。我们的设想是让chromium来替代掉request请求。所以我们修改了DownloaderMiddleware
#DownloaderMiddleware
class DemoDownloaderMiddleware(object):
def __init__(self):
chrome_options = webdriver.ChromeOptions()
# 启用headless模式
chrome_options.add_argument('--headless')
# 关闭gpu
chrome_options.add_argument('--disable-gpu')
# 关闭图像显示
chrome_options.add_argument('--blink-settings=imagesEnabled=false')
self.driver = webdriver.Chrome(chrome_options=chrome_options)
def __del__(self):
self.driver.quit()
@classmethod
def from_crawler(cls, crawler):
s = cls()
crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
return s
def process_request(self, request, spider):
# chromium处理
# ...
return HtmlResponse(url=request.url,
body=self.driver.page_source,
request=request,
encoding='utf-8',
status=200)
def process_response(self, request, response, spider):
# Called with the response returned from the downloader.
# Must either;
# - return a Response object
# - return a Request object
# - or raise IgnoreRequest
return response
def process_exception(self, request, exception, spider):
# Called when a download handler or a process_request()
# (from other downloader middleware) raises an exception.
# Must either:
# - return None: continue processing this exception
# - return a Response object: stops process_exception() chain
# - return a Request object: stops process_exception() chain
pass
def spider_opened(self, spider):
spider.logger.info('Spider opened: %s' % spider.name)
tip：这边我们只有一个中间件来处理request。也就是说，所有的逻辑都要经过这儿。所以直接返回了response。
这就解决了selenium和chromium的安装问题。
chromium不支持headless问题
如果你安装的chromium版本太老，不支持headless，不着急。之前我们安装的xvfb和pyvirtualdisplay就派上用场了。
from pyvirtualdisplay import Display
...
>>>
chrome_options.add_argument('--headless')
<<<
# chrome_options.add_argument('--headless')
display=Display(visible=0,size=(800,800))
display.start()
...
>>>
self.driver.quit()
<<<
self.driver.quit()
display.stop()
...我们模拟出了一个显示界面，这个时候，不管chromium开不开启headless，都能在我们的服务器上运行了。
代理
因为我们已经用chromium替换了request。所以我们做的代理也不能在Scrapy中来处理。
我们需要直接用chromium来处理IP代理问题。
这是不使用chromium之前使用代理的办法
class DemoProxyMiddleware(object):
# overwrite process request
def process_request(self, request, spider):
# Set the location of the proxy
request.meta['proxy'] = "https://proxy.com:8080"
# Use the following lines if your proxy requires authentication
proxy_user_pass = "username:password"
encoded_user_pass = base64.b64encode(proxy_user_pass.encode('utf-8'))
# setup basic authentication for the proxy
request.headers['Proxy-Authorization'] = 'Basic ' + str(encoded_user_pass, encoding="utf-8")
如果你的IP代理不需要账号密码的话，只需要把后面三行删除了就可以了。
根据上面这段代码，我们也不难猜出chromium解决代理的方法了。
chrome_options.add_argument('--proxy=proxy.com:8080')只需要加一段argument就可以了。
那解决带账号密码的办法呢？
解决chromium下带账号密码的代理问题
先创建一个py文件
import string
import zipfile
def create_proxyauth_extension(proxy_host, proxy_port,
proxy_username, proxy_password,
scheme='http', plugin_path=None):
"""代理认证插件
args:
proxy_host (str): 你的代理地址或者域名（str类型）
proxy_port (int): 代理端口号（int类型）
proxy_username (str):用户名（字符串）
proxy_password (str): 密码 （字符串）
kwargs:
scheme (str): 代理方式 默认http
plugin_path (str): 扩展的绝对路径
return str -> plugin_path
"""
if plugin_path is None:
plugin_path = 'vimm_chrome_proxyauth_plugin.zip'
manifest_json = """
{
"version": "1.0.0",
"manifest_version": 2,
"name": "Chrome Proxy",
"permissions": [
"proxy",
"tabs",
"unlimitedStorage",
"storage",
"<all_urls>",
"webRequest",
"webRequestBlocking"
],
"background": {
"scripts": ["background.js"]
},
"minimum_chrome_version":"22.0.0"
}
"""
background_js = string.Template(
"""
var config = {
mode: "fixed_servers",
rules: {
singleProxy: {
scheme: "${scheme}",
host: "${host}",
port: parseInt(${port})
},
bypassList: ["foobar.com"]
}
};
chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});
function callbackFn(details) {
return {
authCredentials: {
username: "${username}",
password: "${password}"
}
};
}
chrome.webRequest.onAuthRequired.addListener(
callbackFn,
{urls: ["<all_urls>"]},
['blocking']
);
"""
).substitute(
host=proxy_host,
port=proxy_port,
username=proxy_username,
password=proxy_password,
scheme=scheme,
)
with zipfile.ZipFile(plugin_path, 'w') as zp:
zp.writestr("manifest.json", manifest_json)
zp.writestr("background.js", background_js)
return plugin_path使用方式
proxyauth_plugin_path = create_proxyauth_extension(
proxy_host="host",
proxy_port=port,
proxy_username="user",
proxy_password="pwd")
chrome_options.add_extension(proxyauth_plugin_path)这样就完成了chromium的代理了。但是，如果你开启了headless模式，这个方法会提示错误。所以解决办法就是，关闭headless模式。
至于怎么在没有gui的情况下使用chromium。在之前已经提到过，使用xvfb和pyvirtualdisplay就可以了。
