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。
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 varpage =require('webpage').create();//获取操作dom或web网页的对象 varfs =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：
Image may be NSFW.
Clik here to view.
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：
fromseleniumimportwebdriver fromscrapy.httpimportHtmlResponse importtime classJavaScriptMiddleware(object): defprocess_request(self, request, spider): ifspider.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) returnHtmlResponse(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 -*- importscrapy classJdSpider(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', ) defparse(self, response): printresponse.body