爬虫 -- 使用selenium和scrapy爬取BBC、NYTimes、Snopes等网站的内容

以下是一个使用Scrapy和Selenium结合的示例代码框架，用于爬取一个虚构网站的内容。请注意，实际应用时需要替换为目标网站的URL、选择器和其他特定信息。

import scrapy
from scrapy_selenium import SeleniumRequest
from selenium import webdriver
 
class MySpider(scrapy.Spider):
    name = 'my_spider'
    start_urls = ['http://example.com']
 
    def start_requests(self):
        # 使用SeleniumRequest代替scrapy.Request
        for url in self.start_urls:
            yield SeleniumRequest(
                url=url,
                callback=self.parse,
                wait_time=5,  # 等待页面加载的时间（秒）
                screenshot=True,  # 是否捕获网页截图
            )
 
    def parse(self, response):
        # 这里的response包含了网页的内容和截图
        # 解析响应数据，提取你需要的信息
        # 例如，提取标题和内容
        title = response.css('h1::text').extract_first()
        content = response.css('div.content::text').extract()
        content = ' '.join(content)
 
        # 创建一个字典来存储提取的数据
        item = {
            'title': title,
            'content': content,
        }
 
        # 返回item，它将被自动存入Scrapy的Item Pipeline
        yield item
 
# 请记得在settings.py中启用Selenium并设置Webdriver路径

确保在Scrapy的settings.py文件中配置了Selenium相关选项，例如：

# 启用Selenium
SCRAPY_SELENIUM_DRIVER_NAME = 'chromedriver'
 
# Selenium Webdriver路径
SCRAPY_SELENIUM_EXECUTABLE_PATH = '/path/to/your/chromedriver'

请注意，上述代码是一个示例，并不能直接用于BBC、NYTimes或Snopes等具体网站，因为每个网站的结构和反爬虫策略都不同。你需要根据目标网站的实际情况调整选择器和解析逻辑。