Question

我试图删除有ajax调用分页的链接。我正在尝试抓取http://www.demo.com链接。在.py文件中我提供了限制XPATH和编码的代码：

# -*- coding: utf-8 -*-
import scrapy

from scrapy.contrib.linkextractors import LinkExtractor
from scrapy.contrib.spiders import sumSpider, Rule
from scrapy.selector import HtmlXPathSelector
from sum.items import sumItem

class Sumspider1(sumSpider):
    name = 'sumDetailsUrls'
    allowed_domains = ['sum.com']
    start_urls = ['http://www.demo.com']
    rules = (
        Rule(LinkExtractor(restrict_xpaths='.//ul[@id="pager"]/li[8]/a'), callback='parse_start_url', follow=True),
    )

    #use parse_start_url if your spider wants to crawl from first page , so overriding 
    def parse_start_url(self, response):
        print '********************************************1**********************************************'
        #//div[@class="showMoreCars hide"]/a
        #.//ul[@id="pager"]/li[8]/a/@href
        self.log('Inside - parse_item %s' % response.url)
        hxs = HtmlXPathSelector(response)
        item = sumItem()
        item['page'] = response.url
        title = hxs.xpath('.//h1[@class="page-heading"]/text()').extract() 
        print '********************************************title**********************************************',title
        urls = hxs.xpath('.//a[@id="linkToDetails"]/@href').extract()
        print '**********************************************2***url*****************************************',urls

        finalurls = []       

        for url in urls:
            print '---------url-------',url
            finalurls.append(url)          

        item['urls'] = finalurls
        return item

我的items.py文件包含

from scrapy.item import Item, Field


class sumItem(Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    page = Field()
    urls = Field()

在我抓取时，我仍然没有得到确切的输出无法获取所有页面。

Answer 1

我希望以下代码能够提供帮助。

somespider.py

# -*- coding: utf-8 -*-
import scrapy
import re
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import Selector
from scrapy.spider import BaseSpider
from demo.items import DemoItem
from selenium import webdriver

def removeUnicodes(strData):
        if(strData):
            strData = strData.encode('utf-8').strip() 
            strData = re.sub(r'[\n\r\t]',r' ',strData.strip())
        return strData

class demoSpider(scrapy.Spider):
    name = "domainurls"
    allowed_domains = ["domain.com"]
    start_urls = ['http://www.domain.com/used/cars-in-trichy/']

    def __init__(self):
        self.driver = webdriver.Remote("http://127.0.0.1:4444/wd/hub", webdriver.DesiredCapabilities.HTMLUNITWITHJS)

    def parse(self, response):
        self.driver.get(response.url)
        self.driver.implicitly_wait(5)
        hxs = Selector(response)
        item = DemoItem()
        finalurls = []
        while True:
            next = self.driver.find_element_by_xpath('//div[@class="showMoreCars hide"]/a')

            try:
                next.click()
                # get the data and write it to scrapy items
                item['pageurl'] = response.url
                item['title'] =  removeUnicodes(hxs.xpath('.//h1[@class="page-heading"]/text()').extract()[0])
                urls = self.driver.find_elements_by_xpath('.//a[@id="linkToDetails"]')

                for url in urls:
                    url = url.get_attribute("href")
                    finalurls.append(removeUnicodes(url))          

                item['urls'] = finalurls

            except:
                break

        self.driver.close()
        return item

<强> items.py

from scrapy.item import Item, Field

class DemoItem(Item):
    page = Field()
    urls = Field()
    pageurl = Field()
    title = Field()

注意：您需要运行selenium rc服务器，因为HTMLUNITWITHJS仅使用Python与selenium rc一起使用。

运行发出命令的selenium rc服务器：

java -jar selenium-server-standalone-2.44.0.jar

使用命令运行您的蜘蛛：

spider crawl domainurls -o someoutput.json

Answer 2

您可以在浏览器中查看请求的执行方式。

在幕后，您点击“显示更多车辆”按钮后，您的浏览器将请求JSON数据提供给您的下一页。您可以利用这一事实直接处理JSON数据，而无需使用JavaScript引擎作为Selenium或PhantomJS。

在您的情况下，作为第一步，您应该模拟用户在您的网络请求发现浏览器用于请求JSON的端点的同时向下滚动由start_url参数和配置文件给出的页面。一般来说，要发现这个端点，浏览器的配置文件工具上有一个XHR（XMLHttpRequest）部分，就像在Safari中一样，您可以浏览用于请求数据的所有资源/端点。

一旦你发现了这个端点，这是一项简单的任务：你将Spider作为start_url给你刚刚发现的端点，根据你的处理和导航JSON，你可以发现它是否是下一页要求的。

P.S。：我看到你的端点网址为http://www.carwale.com/webapi/classified/stockfilters/?city=194&kms=0-&year=0-&budget=0-&pn=2

在这种情况下，我的浏览器请求第二页，您可以在参数pn中看到。在发送请求之前设置一些头参数很重要。我注意到你的标题是：

接受 text / plain， / ; Q = 0.01

Referer http://www.carwale.com/used/cars-in-trichy/

X-Requested-With XMLHttpRequest

sourceid 1

用户代理 Mozilla / 5.0 ...

scrapy爬行蜘蛛ajax分页

2 个答案:

somespider.py