scrapy_selenium爬取Ajax、JSON、XML网页：豆瓣电影

要使用Scrapy-Selenium来爬取豆瓣电影的Ajax、JSON或XML数据，你需要安装Scrapy-Selenium，并编写一个Spider来使用Selenium WebDriver加载页面，并提取所需的数据。以下是一个简单的例子：

1. 安装Scrapy-Selenium:

pip install scrapy-selenium

2. 确保你有一个Selenium WebDriver，例如ChromeDriver或GeckoDriver。
3. 创建一个Scrapy项目和Spider:

scrapy startproject dym_crawler
cd dym_crawler
scrapy genspider dym_spider dym.com

4. 编辑dym_crawler/spiders/dym_spider.py来使用Selenium:

import json
import scrapy
from scrapy_selenium import SeleniumRequest
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
 
class DymSpider(scrapy.Spider):
    name = 'dym_spider'
    allowed_domains = ['douban.com']
    start_urls = ['https://movie.douban.com/']
 
    def start_requests(self):
        # 使用SeleniumRequest替代原生的Scrapy Request
        yield SeleniumRequest(
            self.parse_ajax,
            url='https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=0&limit=20',
            callback=self.parse,
            wait_until=EC.presence_of_element_located((By.CSS_SELECTOR, 'div.indent'))
        )
 
    def parse_ajax(self, response):
        # 解析Ajax响应内容
        data = json.loads(response.text)
        for movie in data.get('data', []):
            yield {
                'title': movie.get('title'),
                'rating': movie.get('rating'),
                'url': movie.get('url')
            }
 
    def parse(self, response):
        # 解析页面内容
        # 这里你可以提取其他你需要的数据
        pass

在上面的代码中，SeleniumRequest会启动一个Selenium会话，加载页面，并等待直到指定的条件被满足才会继续执行回调函数。在这个例子中，我们等待电影列表出现在页面上，然后解析Ajax响应内容。

确保你的Selenium WebDriver配置正确，并且在运行Spider之前启动了Selenium服务。如果你想要爬取其他类型的数据（如JSON或XML），你可以根据页面上数据的来源调整XPath或CSS选择器来提取数据。