Question

我有以下蜘蛛，它几乎应该发布到一个表单。我似乎无法让它工作。当我通过Scrapy这样做时，反应从未显示出来。有人可以告诉我这里出了什么问题吗？

这是我的蜘蛛代码：

# -*- coding: utf-8 -*-
from __future__ import unicode_literals
import scrapy
from scrapy.http import FormRequest
from scrapy.shell import inspect_response


class RajasthanSpider(scrapy.Spider):
    name = "rajasthan"
    allowed_domains = ["rajtax.gov.in"]
    start_urls = (
        'http://www.rajtax.gov.in/',
    )

    def parse(self, response):
        return FormRequest.from_response(
            response,
            formname='rightMenuForm',
            formdata={'dispatch': 'dealerSearch'},
            callback=self.dealer_search_page)

    def dealer_search_page(self, response):

        yield FormRequest.from_response(
            response,
            formname='dealerSearchForm',
            formdata={
                "zone": "select",
                "dealertype": "VAT",
                "dealerSearchBy": "dealername",
                "name": "ana"
            }, callback=self.process)

    def process(self, response):
        inspect_response(response, self)

我得到的是如此回应：

我应该得到的是这样的结果：

当我用Splash替换我的dealer_search_page()时：

def dealer_search_page(self, response):

    yield FormRequest.from_response(
        response,
        formname='dealerSearchForm',
        formdata={
            "zone": "select",
            "dealertype": "VAT",
            "dealerSearchBy": "dealername",
            "name": "ana"
        },
        callback=self.process,
        meta={
            'splash': {
                'endpoint': 'render.html',
                'args': {'wait': 0.5}
            }
        })

我收到以下警告：

2016-03-14 15:01:29 [scrapy] WARNING: Currently only GET requests are supported by SplashMiddleware; <POST http://rajtax.gov.in:80/vatweb/dealerSearch.do> will be handled without Splash

程序在我inspect_response()函数中的process()之前退出。

错误说Splash还不支持POST。 Splash是否适用于此用例，或者我应该使用Selenium？

Answer 1

您可以使用selenium进行处理。这是一个完整的工作示例，我们使用与Scrapy代码中相同的搜索参数提交表单，并在控制台上打印结果：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.select import Select
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


driver = webdriver.Firefox()
driver.get("http://www.rajtax.gov.in/")

# accept the alert
driver.switch_to.alert.accept()

# open "Search for Dealers"
wait = WebDriverWait(driver, 10)
search_for_dealers = wait.until(EC.visibility_of_element_located((By.PARTIAL_LINK_TEXT, "Search for Dealers")))
search_for_dealers.click()

# set search parameters
dealer_type = Select(driver.find_element_by_name("dealertype"))
dealer_type.select_by_visible_text("VAT")

search_by = Select(driver.find_element_by_name("dealerSearchBy"))
search_by.select_by_visible_text("Dealer Name")

search_criteria = driver.find_element_by_name("name")
search_criteria.send_keys("ana")

# search
driver.find_element_by_css_selector("table.vattabl input.submit").click()

# wait for and print results
table = wait.until(EC.visibility_of_element_located((By.XPATH, "//table[@class='pagebody']/following-sibling::table")))

for row in table.find_elements_by_css_selector("tr")[1:]:  # skipping header row
    print(row.find_elements_by_tag_name("td")[1].text)

从搜索结果表中打印TIN号码：

08502557052
08451314461
...
08734200736

请注意，使用selenium自动执行的浏览器可以是无头 - PhantomJS或虚拟显示器上的常规浏览器。

回答最初的问题（编辑前）：

我在经销商搜索页面上看到的内容 - 表单及其字段是使用浏览器中执行的一堆JavaScript脚本构建的。 Scrapy无法执行JS ，你需要帮助它完成这部分。在这种情况下，我非常确定Scrapy+Splash就够了，您不需要进入浏览器自动化。以下是使用Scrapy和Splash的一个工作示例：

Scraping dynamic content using python-Scrapy

使用Splash将Scrapy POST发送到Javascript生成的表单

1 个答案: