Scrapy结合Selenium动态加载页面抓取实战

山海之间

发布时间：2026-10-13 | 3人浏览过

原创

针对淘宝、京东等动态加载网站，直接请求无法获取完整数据。本文介绍如何在Scrapy框架中通过中间件集成Selenium，利用无头浏览器模拟滚动和交互，获取渲染后的完整HTML源码，并构造HtmlResponse对象直接返回，从而绕过传统下载器，实现高效的数据抓取。

在抓取淘宝、京东等电商网站数据时，若直接发送HTTP请求获取响应内容，往往难以解析出目标数据。这是因为这些平台的数据通常依赖于浏览器端的动态加载机制，只有在用户浏览网页并触发相关脚本后，数据才会呈现。因此，为了成功爬取此类网站的信息，引入Selenium进行浏览器自动化模拟操作成为必要的技术手段。

在Scrapy框架中，由于传统下载器返回的Response源码中并未包含已动态渲染的数据，其作用变得有限。为解决这一问题，可以在请求进入下载中间件阶段时，直接调用Selenium对请求进行解析。通过Selenium获取渲染后的完整Response内容后，直接将其返回给引擎，从而跳过Scrapy默认的下载器下载环节。具体实现代码如下：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
from scrapy.http.response.html import HtmlResponse
from scrapy.http.response.text import TextResponse
from selenium.webdriver import ActionChains
 
class TaobaoMiddleware(object):
 
 #处理请求函数
 def process_request(self,request,spider):
  #声明一个Options对象
  opt = Options()
  #给对象添加一个--headless参数,表示无头启动
  opt.add_argument('--headless')
  #把配置参数应用到驱动创建的对象
  driver = webdriver.Chrome(options=opt)
  #打开requests中的地址
  driver.get(request.url)
 
  #让浏览器滚动到底部
  for x in range(1,11):
   j = x / 10
   js = "document.documentElement.scrollTop = document.documentElement.scrollHeight*%f"%j
   driver.execute_script(js)
   #每次滚动等待0.5s
   time.sleep(5)
 
  #获取下一页按钮的标签
  next_btn =driver.find_element_by_xpath('//span[contains(text(),"下一页")]')
  #睡眠0.5秒
  time.sleep(0.5)
  #对下一页标签进行鼠标右键触发事件
  ActionChains(driver).context_click(next_btn).click().perform()
  # driver.save_screenshot('截图.png')
  #把驱动对象获得的源码赋值给新变量
  page_source = driver.page_source
  #退出
  driver.quit()
 
  #根据网页源代码,创建Htmlresponse对象
  response = HtmlResponse(url=request.url,body=page_source,encoding='utf-8',request=request)
  #因为返回的是文本消息,所以需要指定字符编码格式
 
  return response
 
 def process_response(self,request,response,spider):
 
  return response
 
 def process_exception(self,request,exception,spider):
  pass

以上关于Scrapy结合Selenium抓取淘宝数据的实例讲解到此结束，希望能为读者提供有价值的参考。如有任何疑问或建议，欢迎继续支持本站，获取更多技术分享。