Question

我通过Scrapy通过ASP.NET编程爬行一些目录。

要抓取的网页按如下方式编码：

javascript:__doPostBack('ctl00$MainContent$List','Page$X')

其中X是介于1和180之间的int.MainContent参数始终相同。我不知道如何爬进这些。我希望在SLE规则中添加一些简单的内容，如allow=('Page$')或attrs='__doPostBack'，但我的猜测是，为了从javascript＆＃34;链接中提取信息，我必须更加棘手。＆＃34;

如果更容易＆＃34;取消屏蔽＆＃34;来自javascript代码的每个绝对链接并将它们保存到csv，然后使用该csv将请求加载到新的scraper中，这也没关系。

Answer 1

这种分页并不像看起来那么微不足道。解决它是一个有趣的挑战。关于下面提供的解决方案有几个重要说明：

这里的想法是按照Request.meta dictionary
使用regular BaseSpider，因为分页中涉及一些逻辑
提供headers冒充真正的浏览器非常重要
使用dont_filter=True生成FormRequest非常重要，因为我们基本上对同一网址发出了POST请求，但参数不同

代码：

import re

from scrapy.http import FormRequest
from scrapy.spider import BaseSpider


HEADERS = {
    'X-MicrosoftAjax': 'Delta=true',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.76 Safari/537.36'
}
URL = 'http://exitrealty.com/agent_list.aspx?firstName=&lastName=&country=USA&state=NY'


class ExitRealtySpider(BaseSpider):
    name = "exit_realty"

    allowed_domains = ["exitrealty.com"]
    start_urls = [URL]

    def parse(self, response):
        # submit a form (first page)
        self.data = {}
        for form_input in response.css('form#aspnetForm input'):
            name = form_input.xpath('@name').extract()[0]
            try:
                value = form_input.xpath('@value').extract()[0]
            except IndexError:
                value = ""
            self.data[name] = value

        self.data['ctl00$MainContent$ScriptManager1'] = 'ctl00$MainContent$UpdatePanel1|ctl00$MainContent$agentList'
        self.data['__EVENTTARGET'] = 'ctl00$MainContent$List'
        self.data['__EVENTARGUMENT'] = 'Page$1'

        return FormRequest(url=URL,
                           method='POST',
                           callback=self.parse_page,
                           formdata=self.data,
                           meta={'page': 1},
                           dont_filter=True,
                           headers=HEADERS)

    def parse_page(self, response):
        current_page = response.meta['page'] + 1

        # parse agents (TODO: yield items instead of printing)
        for agent in response.xpath('//a[@class="regtext"]/text()'):
            print agent.extract()
        print "------"

        # request the next page
        data = {
            '__EVENTARGUMENT': 'Page$%d' % current_page,
            '__EVENTVALIDATION': re.search(r"__EVENTVALIDATION\|(.*?)\|", response.body, re.MULTILINE).group(1),
            '__VIEWSTATE': re.search(r"__VIEWSTATE\|(.*?)\|", response.body, re.MULTILINE).group(1),
            '__ASYNCPOST': 'true',
            '__EVENTTARGET': 'ctl00$MainContent$agentList',
            'ctl00$MainContent$ScriptManager1': 'ctl00$MainContent$UpdatePanel1|ctl00$MainContent$agentList',
            '': ''
        }

        return FormRequest(url=URL,
                           method='POST',
                           formdata=data,
                           callback=self.parse_page,
                           meta={'page': current_page},
                           dont_filter=True,
                           headers=HEADERS)

使用PostBack数据javascript Python Scrapy在页面中爬行

1 个答案: