使用scrapy抓取基于ASP.NET的网站的内容

时间:2017-05-16 20:08:41

标签: asp.net web-scraping scrapy

我一直试图从这个网站上抓取一些列表http://www.golf.org.au我基于ASP.NET做了一些研究,看来我必须在POST请求中传递一些值才能使网站获取数据我做了那些表,但我仍然没有想到我错过了什么?

这是我的代码:

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


class GolfscraperSpider(scrapy.Spider):
    name = "golfscraper"
    allowed_domains = ["golf.org.au","www.golf.org.au"]
    ids = ['3012801330', '3012801331', '3012801332', '3012801333']
    start_urls = []
    for id in ids:
        start_urls.append('http://www.golf.org.au/handicap/%s' %id)

    def parse(self, response):
        scrapy.FormRequest('http://www.golf.org.au/default.aspx?
s=handicap',
                           formdata={
                               '__VIEWSTATE': 
response.css('input#__VIEWSTATE::attr(value)').extract_first(),
                               'ctl11$ddlHistoryInMonths':'48',
                               '__EVENTTARGET': 
'ctl11$ddlHistoryInMonths',
                               '__EVENTVALIDATION' : 
response.css('input#__EVENTVALIDATION::attr(value)').extract_first(),
                               'gaHandicap' : '6.5',
                               'golflink_No' : '2012003003',
                               '__VIEWSTATEGENERATOR' : 'CA0B0334',
                           },
                           callback=self.parse_details)

    def parse_details(self,response):
        for name in response.css('div.rnd-course::text').extract():
            yield {'name' : name}

1 个答案:

答案 0 :(得分:1)

是的,ASP页面很难抓。很可能缺少一些小参数。

解决方案:

  1. 而不是通过scrapy.FormRequest(...)创建请求,请使用scrapy.FormRequest.from_response()方法(请参阅下面的代码示例)。这将捕获大部分甚至全部隐藏的表单数据,并使用它来预填充FormRequest的数据。

  2. 您似乎忘了退回请求,也许这也是另一个潜在的问题......

  3. 据我记得__VIEWSTATEGENERATOR也会每次更改,必须从页面中提取

  4. 如果这不起作用,请使用Firebug插件或Chrome的开发者工具启动Firefox浏览器,在浏览器中执行请求,然后检查完​​整的请求标头和正文数据您的请求中的相同数据。会有一些不同。

  5. 包含我所有建议的示例代码:

    def parse(self, response):
        req = scrapy.FormRequest.from_response(response,
                           formdata={
            '__VIEWSTATE': response.css('input#__VIEWSTATE::attr(value)').extract_first(),
            'ctl11$ddlHistoryInMonths':'48',
            '__EVENTTARGET': 'ctl11$ddlHistoryInMonths',
            '__EVENTVALIDATION' : response.css('input#__EVENTVALIDATION::attr(value)').extract_first(),
            'gaHandicap' : '6.5',
            'golflink_No' : '2012003003',
            '__VIEWSTATEGENERATOR' : 'CA0B0334',
                           },
                           callback=self.parse_details)
        log.info(req.headers)
        log.info(req.body)
        return req