如何在scrapy中集成selenium爬取网页
1.背景 我们在爬取网页时一般会使用到三个爬虫库：requests，scrapy，selenium。requests一般用于小型爬虫，scrapy用于构建大的爬虫项目，而selenium主要用来应付负责的页面（复杂js渲染的页面，请求非常难构造，或者构造方式经常变化）。 在我们面对大型爬虫项目时，肯定会优选scrapy框架来开发，但是在解析复杂JS渲染的页面时，又很麻烦。 尽管使用selenium浏览器渲染来抓取这样的页面很方便，这种方式下，我们不需要关心页面后台发生了怎样的请求，也不需要分析整个页面的渲染过程，我们只需要关心页面最终结果即可，可见即可爬，但是selenium的效率又太低。 所以，如果可以在scrapy中，集成selenium，让selenium负责复杂页面的爬取，那么这样的爬虫就无敌了，可以爬取任何网站了。 2. 环境 python 3.6.1 系统：win7 IDE：pycharm 安装过chrome浏览器 配置好chromedriver（设置好环境变量） selenium 3.7.0 scrapy 1.4.0 3.原理分析 3.1. 分析request请求的流程 首先看一下scrapy最新的架构图（https://blog.csdn.net/zwq912318834/article/details/79720742）： ———————————————— 部分流程： 第一：爬虫引擎生成requests请求，送往scheduler调度模块，进入等待队列，等待调度。 第二：scheduler模块开始调度这些requests，出队，发往爬虫引擎。 第三：爬虫引擎将这些requests送到下载中间件（多个，例如加header，代理，自定义等等）进行处理。 第四：处理完之后，送往Downloader模块进行下载。 从这个处理过程来看，突破口就在下载中间件部分，用selenium直接处理掉request请求。 ———————————————— 版权声明：本文为CSDN博主「Kosmoo」的原创文章，遵循CC…
