2019独角兽企业重金招聘Python工程师标准>>> 
一、背景
在平常爬取过程中会遇到很多结构不同和渲染方式不同的网站，比如这次的宝筹贷，它的列表页渲染方式和详情页的渲染方式是不一致的，详情页和投资记录的数据渲染方式则一致。遇到这样的数据，通常的应对方法有两种：
1.scrapy直接请求接口地址即可，模拟登录或者甚至不用登录，像爬取乐助贷、够力金融、汇泰在线这些平台一样，直接从接口拿数据就行了。
2.scrapy结合selenium进行爬取，这个就有意思了。
二、目的
通过工具的结合，对平台的数据进行抓取，只写逻辑，具体详细的入库操作就不仔细记录了。
三、条件
1.列表页渲染方式是html/css
2.详情页和投资记录页是通过Ajax和api进行通信的
3.投资记录的接口请求跟够力金融的类似，都是需要接口翻页（我就不重复写了）
四、工具
1.scrapy爬虫框架
2.selenium自动化测试工具
五、示例
代码逻辑：
1.在middleware里面将scrapy和selenium进行结合
2.在spider中重载方法，做到开启爬虫时自动调用浏览器，在爬虫退出后自动关闭浏览器
3.到列表页进行url的抽取，交给parse_detail进行详细的爬取
4.parse_detail进行详细数据爬取，并且交给item进行序列化
以下是spider里面的代码：
class BaochouSpider(scrapy.Spider):name = 'baochou'allowed_domains = ['www.baochoudai.com']start_urls = ['https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=lists&t=1']def __init__(self):"""通过chrome请求动态网页当爬虫关闭的时候 自动关闭浏览器窗口"""# 设置chromediver不加载图片chrome_opt = webdriver.ChromeOptions() # 初始化配置ChromeOptionsprefs = {"profile.managed_default_content_settings.images": 2} # 开关 这是固定写法chrome_opt.add_experimental_option("prefs", prefs) # 配置进来self.browser = webdriver.Chrome(executable_path="E:/SpiderTools/chromedriver.exe",chrome_options=chrome_opt)super(BaochouSpider, self).__init__()# 当收到spider_closed信号的时候，调用下面的spider_colosed方法来关闭浏览器dispatcher.connect(self.spider_closed, signals.spider_closed)def spider_closed(self, spider):# 当爬虫退出的时候关闭chromeself.browser.quit()def parse(self, response):"""将当前列表页的每条标的链接拿到并传给detail进行深入爬取已知页码可以在url中循环 就不用翻页了"""total = response.css('h4.inline-block.mb15.fs22 a')for x in total:target_urls = x.css('::attr(href)').extract_first("")yield Request(url=parse.urljoin(response.url,target_urls),callback=self.parse_detail)for i in range(1,22):next_pages = "https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=lists&t=1&page=%s" %(i)yield Request(url=next_pages,callback=self.parse)def parse_detail(self, response):loaders = BaochouItemLoader(item=BaochouItem(),response=response)loaders.add_css("title", ".inline-block.pr20 span::text")loaders.add_css("protype", ".inline-block.pr20 span::text")loaders.add_css("amount", ".fl.w280.pt15 span.fs46.lh1::text")loaders.add_css("profit", ".fl.w220.pt15 span.fs46.lh1::text")loaders.add_css("terms", "div.pl30:nth-child(3) div:first-child span:first-child::text")loaders.add_value("target_urls", response.url)loaders.add_value("target_urls_id", response.url)iloaders_item = loaders.load_item()yield iloaders_item
middleware里面结合selenium的代码就不记录了。
六、总结
全程通过浏览器进行自动化爬取，写完代码运行即可
由于调用浏览器比较费时费力，所以在调用的时候禁止浏览器加载图片，速度加快一倍
其实这种加载浏览器的方式速度会变慢，实在不得已而为止的情况下再考虑用（比如某些网站限制爬虫访问，那么就要用到这种方式）
相对于直接请求接口api，这种方式得到的数据并没有那么齐全，如果是请求api也是可以拿到Userid的，对用户行为、偏好、投资能力等进行分析和推算。比如宝筹贷这个平台的投资人属性有以下几种：
1.很多投资人都是只投100元
2.投资终端最多的就是微信
3.可以根据api中投资人的手机号码计算投资人归属地
4.得到完整数据后计算投资总额top10/投资次数Top10
5.投资人单笔投资金额普遍是1000以内，超过1000的不多
七、部分数据展示
以下是宝筹贷的部分数据展示 包括(id 标题、金额、收益率、期限、对应地址、唯一id、来源、类型)等
'2131', '2017101703保汇贷03号', '500000', '10', '4.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20171000003', '4b5f66f1445bcb6558515a85d5ba2c50', NULL, '宝筹贷', '14''2132', '2017101102保汇贷02号', '600000', '9.8', '3.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20171000002', '4efd8370abcd9622df51c9f6a9fa674f', NULL, '宝筹贷', '14''2133', '20150731房产抵押借款项目第03号', '900000', '15', '1.0', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150700022', '700acd1785848a3072b484c0710251e0', NULL, '宝筹贷', '2''2134', '20150728房产抵押借款项目第01-22号', '20000', '18', '0.3333333333333333', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150700020', '3a2b77053c9518f02b579cff977e2e6e', NULL, '宝筹贷', '2''2135', '20150812房产抵押04-1号', '20000', '20', '0.5', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800002', '3306ed018df098febcf08b55bd9a21f1', NULL, '宝筹贷', '2''2136', '20150807银行过桥项目第01号', '380000', '15', '0.3333333333333333', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800001', '821d818039a38a0ec8f0c3e7b0fa9373', NULL, '宝筹贷', '14''2137', '20150818房产抵押04-2号', '20000', '20', '0.5', NULL, NULL, 'https://www.baochoudai.com/index.php?g=Borrow&m=Public&a=show&borrow_nid=20150800003', '32217f70fbb8af31a234e5d4dc12f46c', NULL, '宝筹贷', '2'
