前段时间学习了用Python写爬虫，使用Scrapy框架爬取京东的商品信息。商品详情页的价格是由js生成的，而通过Scrapy直接爬取的源文件中无价格信息。
通过Selenium、Phantomjs便能实现。下面先介绍Phantomjs。
（我的博客原文地址：https://chaycao.github.io/2016/08/19/Scrapy-Selenium-Phantomjs/ 请多指教！）
Phantomjs
作为一个基于webkit内核的没有UI界面的浏览器，大家不必被这个名字吓到，以为是很复杂的技术，其实只是一个浏览器啦。而其中的一些点击、翻页等操作则由代码实现。Phantomjs提供javascript API接口，即我们可以通过js与webkit内核交互。
只需通过Phantomjs test.js的命令就能成功访问页面，并将js生成后的内容下载下来。
// a phantomjs example
// test.js
var page = require('webpage').create(); //获取操作dom或web网页的对象
var fs = require('fs'); //获取文件系统对象，通过它可以操作操作系统的文件操作，包括read、write、move、copy、delete等。
phantom.outputEncoding="utf-8";
//通过page对象打开url链接，并可以回调其声明的回调函数
page.open("http://chaycao.github.io", function(status) {
if ( status === "success" ) {
console.log("成功");
fs.write('web.html',page.content,'w');
} else {
console.log("Page failed to load.");
}
phantom.exit(0);
});
关于Phantomjs的详细介绍可以参照这篇博文：http://blog.csdn.net/tengdazhang770960436/article/details/41320079
Selenium
作为一个用于Web应用程序测试的工具，其测试直接运行在浏览器中，框架底层使用JavaScript模拟真实用户对浏览器的操作，从终端用户的角度测试应用程序。将Selenium与Phantomjs联系起来，便是我们可以通过使用Selenium操作Phantomjs访问网页以获得js生成后的网页。
在我看来，这里Selenium的作用就像是Scrapy调用Phantomjs的中介。我也存有疑问：“Scrapy是否能直接调用Phantomjs？” 期望回复
Scrapy使用Selenium
需要弄懂一个概念，下载中间件，可以阅读下官方文档http://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/downloader-middleware.html
在settings.py加入
DOWNLOADER_MIDDLEWARES = {
'jdSpider.middlewares.middleware.JavaScriptMiddleware': 543, #键为中间件类的路径，值为中间件的顺序
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None, #禁止内置的中间件
}
第一行为中间件的位置，需要与自己目录对应，我的目录是这样的：
如果运行遇到robots.txt的问题，需要将settings.py中的
ROBOTSTXT_OBEY = False
下面贴上，自定义中间件的代码：
from selenium import webdriver
from scrapy.http import HtmlResponse
import time
class JavaScriptMiddleware(object):
def process_request(self, request, spider):
if spider.name == "jd":
print "PhantomJS is starting..."
driver = webdriver.PhantomJS() #指定使用的浏览器
# driver = webdriver.Firefox()
driver.get(request.url)
time.sleep(1)
js = "var q=document.documentElement.scrollTop=10000"
driver.execute_script(js) #可执行js，模仿用户操作。此处为将页面拉至最底端。
time.sleep(3)
body = driver.page_source
print ("访问"+request.url)
return HtmlResponse(driver.current_url, body=body, encoding='utf-8', request=request)
else:
return
在spiders/jd.py中parse()方法接收到的response则是我们自定义中间件返回的结果。我们得到的便是js生成后的界面。
# -*- coding: utf-8 -*-
import scrapy
class JdSpider(scrapy.Spider):
name = "jd"
allowed_domains = ["jd.com"]
start_urls = (
'http://search.jd.com/Search?keyword=三星s7&enc=utf-8&wq=三星s7&pvid=tj0sfuri.v70avo',
)
def parse(self, response):
print response.body
