硒与scrapy的动态页面


80

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!


Answers:


117

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:


谢谢你的帮助。实际上,我最大的问题在于next.click()之后的部分。每次获得一个新页面时,但我仍然可以使用LinkExtractor提取所有产品url,然后使用回调来解析它们吗?
Z. Lin

2
有没有一种方法可以重复使用已被scrapy抓住的响应,而不是使用self.driver.get(response.url)
空灵

2
@HalcyonAbrahamRamirez这只是在蜘蛛网中硒部分的一个例子。硒完成后,通常将self.driver.page_source其传递给Scrapy的Selector实例以解析HTML,形成项目实例,将其传递给管道等。或者,可以将硒cookie解析并传递给Scrapy进行其他请求。但是,如果您不需要Scrapy框架体系结构的强大功能,那么可以肯定,您只能使用硒-它本身在定位元素方面非常强大。
alecxe

4
@alecxe是的,我明白了。我仍然对使用硒提取页面源并将要抓取的元素传递给抓取的部分感到困惑。例如。单击加载更多按钮,它将显示更多项目,但是您提取了这些项目的xpath。现在如何将这些xpath传递给scrapy?因为仅当您首次请求页面时显示的项目将被草率地解析,而不是单击带有硒的“加载更多”按钮后的内容
Halcyon Abraham Ramirez

2
@HalcyonAbrahamRamirez知道了,我将加载更多项目,直到没有更多可添加的内容为止。然后,将其driver.page_source传递给Selector()..
alecxe 2015年

2

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
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.