硒与scrapy的动态页面

Question 1

我正在尝试使用scrapy从网页上抓取产品信息。我的待刮网页如下所示：

从包含10个产品的product_list页面开始
单击“下一步”按钮将加载下10个产品（两个页面之间的网址不变）
我使用LinkExtractor跟随每个产品链接进入产品页面，并获取我需要的所有信息

我尝试复制下一个按钮的ajax调用，但是无法正常工作，因此我尝试使用硒。我可以在单独的脚本中运行selenium的webdriver，但我不知道如何与scrapy集成。硒部分应该放在哪里我的蜘蛛网中？

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

任何想法表示赞赏。谢谢！

Question 2

这实际上取决于您需要如何刮取网站以及您希望如何以及要获取什么数据。

这是一个示例，您可以使用Scrapy+跟踪eBay上的分页Selenium：

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“硒蜘蛛”的一些示例：

除了必须与结合使用之外Selenium，还有另一种选择Scrapy。在某些情况下，使用ScrapyJS中间件足以处理页面的动态部分。实际用法示例：

使用python-Scrapy抓取动态内容

Question 3

如果（URL在两页之间没有变化），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。

如果您需要使用javascript渲染页面，则应使用scrapy-splash，您也可以检查此scrapy中间件，该中间件可以使用硒处理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，更快速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发出了哪些请求。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（）而不是scrapy.Request（），两者都相同，但是FormRequest向构造函数添加了新的参数（formdata =）。

这是这篇文章的另一个蜘蛛示例：

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