Question

我正在尝试使用scrapy从网页上抓取产品信息。我的待删节网页如下：

以包含10个产品的product_list页面开始
点击“下一步”按钮加载下10个产品（两个页面之间的网址不会更改）
我使用LinkExtractor将每个产品链接关注到产品页面，并获取我需要的所有信息

我试图复制next-button-ajax-call但是无法正常工作，所以我试试了selenium。我可以在一个单独的脚本中运行selenium的webdriver，但我不知道如何与scrapy集成。我应该把硒部分放在我的scrapy蜘蛛里？

我的蜘蛛非常标准，如下所示：

class ProductSpider(CrawlSpider):
    name = "product_spider"
    allowed_domains = ['example.com']
    start_urls = ['http://example.com/shanghai']
    rules = [
        Rule(SgmlLinkExtractor(restrict_xpaths='//div[@id="productList"]//dl[@class="t2"]//dt'), callback='parse_product'),
        ]

    def parse_product(self, response):
        self.log("parsing product %s" %response.url, level=INFO)
        hxs = HtmlXPathSelector(response)
        # actual data follows

任何想法都表示赞赏。谢谢！

Answer 1

这实际上取决于您需要如何刮取网站以及您希望获得的数据和数据。

以下是如何使用Scrapy + Selenium在易趣上关注分页的示例：

import scrapy
from selenium import webdriver

class ProductSpider(scrapy.Spider):
    name = "product_spider"
    allowed_domains = ['ebay.com']
    start_urls = ['http://www.ebay.com/sch/i.html?_odkw=books&_osacat=0&_trksid=p2045573.m570.l1313.TR0.TRC0.Xpython&_nkw=python&_sacat=0&_from=R40']

    def __init__(self):
        self.driver = webdriver.Firefox()

    def parse(self, response):
        self.driver.get(response.url)

        while True:
            next = self.driver.find_element_by_xpath('//td[@class="pagn-next"]/a')

            try:
                next.click()

                # get the data and write it to scrapy items
            except:
                break

        self.driver.close()

以下是＆＃34;硒蜘蛛＆＃34;的一些例子：

还有一种方法可以将Selenium与Scrapy一起使用。在某些情况下，使用ScrapyJS middleware足以处理页面的动态部分。实际使用示例：

Scraping dynamic content using python-Scrapy

Answer 2

如果（两个页面之间的URL不变），则应在scrapy.Request（）中添加 dont_filter = True ，否则scrapy在处理完第一页后会发现此URL是重复的。

如果需要使用javascript渲染页面，则应使用scrapy-splash，也可以选中此scrapy middleware，它可以使用硒处理javascript页面，也可以通过启动任何无头浏览器来做到这一点

但是更有效，更快捷的解决方案是检查您的浏览器，并查看在提交表单或触发特定事件期间提出了哪些请求。尝试模拟与浏览器发送的请求相同的请求。如果您可以正确复制请求，则将获得所需的数据。

这里是一个例子：

class ScrollScraper(Spider):
    name = "scrollingscraper"

    quote_url = "http://quotes.toscrape.com/api/quotes?page="
    start_urls = [quote_url + "1"]

    def parse(self, response):
        quote_item = QuoteItem()
        print response.body
        data = json.loads(response.body)
        for item in data.get('quotes', []):
            quote_item["author"] = item.get('author', {}).get('name')
            quote_item['quote'] = item.get('text')
            quote_item['tags'] = item.get('tags')
            yield quote_item

        if data['has_next']:
            next_page = data['page'] + 1
            yield Request(self.quote_url + str(next_page))

如果每个页面的分页网址都相同并且使用POST请求，则可以使用 scrapy.FormRequest（）代替 scrapy.Request（），但两者相同FormRequest向构造函数添加一个新参数（ formdata = ）。

这是post的另一个蜘蛛示例：

class SpiderClass(scrapy.Spider):
    # spider name and all
    name = 'ajax'
    page_incr = 1
    start_urls = ['http://www.pcguia.pt/category/reviews/#paginated=1']
    pagination_url = 'http://www.pcguia.pt/wp-content/themes/flavor/functions/ajax.php'

    def parse(self, response):

        sel = Selector(response)

        if self.page_incr > 1:
            json_data = json.loads(response.body)
            sel = Selector(text=json_data.get('content', ''))

        # your code here

        # pagination code starts here
        if sel.xpath('//div[@class="panel-wrapper"]'):
            self.page_incr += 1
            formdata = {
                'sorter': 'recent',
                'location': 'main loop',
                'loop': 'main loop',
                'action': 'sort',
                'view': 'grid',
                'columns': '3',
                'paginated': str(self.page_incr),
                'currentquery[category_name]': 'reviews'
            }
            yield FormRequest(url=self.pagination_url, formdata=formdata, callback=self.parse)
        else:
            return

硒与scrapy动态页面

2 个答案: