具有多个硒实例(并行)的刮擦

Question

我需要用Selenium和Scrapy抓取许多网址。为了加快整个过程，我正在尝试创建一堆共享Selenium实例。我的想法是，如果需要，为任何Request提供一组并行Selenium实例，如果完成，则released。

我试图创建一个Middleware但问题是Middleware是顺序的（我看到所有驱动程序（我称之为浏览器）加载 url，它似乎是顺序的）。我希望所有驱动程序并行工作。

class ScrapySpiderDownloaderMiddleware(object):
    BROWSERS_COUNT = 10
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.free_browsers = set(
            [webdriver.Chrome(executable_path=BASE_DIR + '/chromedriver') for x in range(self.BROWSERS_COUNT)])
    def get_free_browser(self):
        while True:
            try:
                return self.free_browsers.pop()
            except KeyError:
                time.sleep(0.1)
    def release_browser(self, browser):
        self.free_browsers.add(browser)
    def process_request(self, request, spider):
        browser = self.get_free_browser()
        browser.get(request.url)
        body = str.encode(browser.page_source)
        self.release_browser(browser)
        # Expose the driver via the "meta" attribute
        request.meta.update({'browser': browser})
        return HtmlResponse(
            browser.current_url,
            body=body,
            encoding='utf-8',
            request=request
        )

我不喜欢您这样做的解决方案：

driver.get(response.url) 

parse方法，因为它会导致冗余请求。每个 url 都被请求两次，我需要避免。

例如，此 https://stackoverflow.com/a/17979285/2607447

你知道该怎么做吗？

Answer 1

我建议你看看 scrapy + docker。 您可以一次运行多个实例

Answer 2

正如@Granitosaurus所建议的，Splash是一个不错的选择。我个人使用Scrapy-splash - Scrapy负责并行处理，Splash负责网站渲染，包括JavaScript执行。