আমি ব্যক্তিগতভাবে স্কেরাপি এবং সেলেনিয়াম ব্যবহার এবং উভয় পৃথক পাত্রে ডকারাইজিং পছন্দ করি। এই পদ্ধতিতে আপনি সর্বনিম্ন ঝামেলা এবং ক্রল আধুনিক ওয়েবসাইটগুলিতে উভয়ই ইনস্টল করতে পারেন যা প্রায় সকলেরই একটি ফর্ম বা অন্য কোনওটিতে জাভাস্ক্রিপ্ট রয়েছে। এখানে একটি উদাহরণ:
ব্যবহার করুন scrapy startprojectআপনার স্ক্র্যাপার তৈরী করতে এবং আপনার মাকড়সা লিখতে, কঙ্কাল এই হিসাবে সহজ হিসাবে হতে পারে:
import scrapy
class MySpider(scrapy.Spider):
name = 'my_spider'
start_urls = ['https://somewhere.com']
def start_requests(self):
yield scrapy.Request(url=self.start_urls[0])
def parse(self, response):
# do stuff with results, scrape items etc.
# now were just checking everything worked
print(response.body)
আসল যাদুটি মিডলওয়্যারস.পি-তে ঘটে। ডাউনলোডার মিডলওয়্যারের দুটি পদ্ধতি মুছে ফেলুন __init__এবং process_requestনিম্নলিখিত পদ্ধতিতে:
# import some additional modules that we need
import os
from copy import deepcopy
from time import sleep
from scrapy import signals
from scrapy.http import HtmlResponse
from selenium import webdriver
class SampleProjectDownloaderMiddleware(object):
def __init__(self):
SELENIUM_LOCATION = os.environ.get('SELENIUM_LOCATION', 'NOT_HERE')
SELENIUM_URL = f'http://{SELENIUM_LOCATION}:4444/wd/hub'
chrome_options = webdriver.ChromeOptions()
# chrome_options.add_experimental_option("mobileEmulation", mobile_emulation)
self.driver = webdriver.Remote(command_executor=SELENIUM_URL,
desired_capabilities=chrome_options.to_capabilities())
def process_request(self, request, spider):
self.driver.get(request.url)
# sleep a bit so the page has time to load
# or monitor items on page to continue as soon as page ready
sleep(4)
# if you need to manipulate the page content like clicking and scrolling, you do it here
# self.driver.find_element_by_css_selector('.my-class').click()
# you only need the now properly and completely rendered html from your page to get results
body = deepcopy(self.driver.page_source)
# copy the current url in case of redirects
url = deepcopy(self.driver.current_url)
return HtmlResponse(url, body=body, encoding='utf-8', request=request)
সেটিংস.পাই ফাইলটিতে পরবর্তী লাইনগুলিকে সংশোধন করে এই মিডলওয়্যারটি সক্ষম করতে ভুলবেন না:
DOWNLOADER_MIDDLEWARES = {
'sample_project.middlewares.SampleProjectDownloaderMiddleware': 543,}
ডকারাইজেশনের জন্য পরবর্তী আপনার Dockerfileএকটি হালকা ওজনের চিত্র থেকে তৈরি করুন (আমি এখানে পাইথন আলপাইন ব্যবহার করছি), এতে আপনার প্রকল্প ডিরেক্টরিটি অনুলিপি করুন, প্রয়োজনীয়তা ইনস্টল করুন:
# Use an official Python runtime as a parent image
FROM python:3.6-alpine
# install some packages necessary to scrapy and then curl because it's handy for debugging
RUN apk --update add linux-headers libffi-dev openssl-dev build-base libxslt-dev libxml2-dev curl python-dev
WORKDIR /my_scraper
ADD requirements.txt /my_scraper/
RUN pip install -r requirements.txt
ADD . /scrapers
এবং সবশেষে এগুলি একত্রিত করুন docker-compose.yaml:
version: '2'
services:
selenium:
image: selenium/standalone-chrome
ports:
- "4444:4444"
shm_size: 1G
my_scraper:
build: .
depends_on:
- "selenium"
environment:
- SELENIUM_LOCATION=samplecrawler_selenium_1
volumes:
- .:/my_scraper
# use this command to keep the container running
command: tail -f /dev/null
চালান docker-compose up -d। আপনি যদি প্রথমবার এটি করছেন তবে এটি সর্বশেষতম সেলেনিয়াম / স্ট্যান্ডেলোন-ক্রোম আনতে এবং আপনার স্ক্র্যাপ চিত্রটি তৈরি করতে কিছুটা সময় নেবে।
এটি সম্পন্ন হয়ে গেলে, আপনি পরীক্ষা করতে পারেন যে আপনার ধারকগুলি চলমান রয়েছে docker psএবং এটি পরীক্ষা করতে পারেন যে সেলেনিয়াম ধারকটির নামটি আমরা আমাদের স্ক্র্যাপার ধারকটিতে যে পরিবেশের পরিবর্তনের সাথে প্রেরণ করেছি (এখানে, এটি ছিলSELENIUM_LOCATION=samplecrawler_selenium_1 ) ।
আপনার স্ক্র্যাপার ধারকটি দিয়ে প্রবেশ করুন docker exec -ti YOUR_CONTAINER_NAME sh, আমার পক্ষে আদেশটি ছিল docker exec -ti samplecrawler_my_scraper_1 shসঠিক সিডির মধ্যে সিডি করুন এবং আপনার স্ক্র্যাপটি দিয়ে চালান scrapy crawl my_spider।
সমগ্র জিনিস আমার GitHub পৃষ্ঠাতে হয় এবং আপনার কাছ থেকে এটি পেতে পারেন এখানে