硒与scrapy动态页面

Question

我正在尝试使用scrapy从网页上抓取产品信息。我的待删节网页如下所示：

• 从包含10个产品的product_list页面开始
• 点击“下一步”按钮加载下10个产品（两个页面之间的网址不变）
• 我使用LinkExtractor跟踪每个产品链接到产品页面，并获得我需要的所有信息

我试图复制next-button-ajax-call但是无法正常工作，所以我试试了selenium。我可以在一个单独的脚本中运行selenium的webdriver，但我不知道如何与scrapy集成。我应该把硒部分放在我的scrapy蜘蛛里？

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

任何想法都表示赞赏。谢谢！

Answer 1

这实际上取决于您如何刮取网站以及您希望获得的数据和数据。

这是一个如何使用Scrapy + Selenium在ebay上跟踪分页的示例：

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”的一些例子：

• Executing Javascript Submit form functions using scrapy in python
• https://gist.github.com/cheekybastard/4944914
• https://gist.github.com/irfani/1045108
• http://snipplr.com/view/66998/

---

还有一个替代方案，必须使用Selenium与Scrapy。在某些情况下，使用ScrapyJS middleware足以处理页面的动态部分。实际使用示例：

• Scraping dynamic content using python-Scrapy

Answer 2

如果（url在两个页面之间没有变化）那么你应该在你的scrapy.Request（）或scrapy中添加dont_filter = True，在处理完第一页后会发现这个url是重复的。

如果你需要使用javascript渲染页面你应该使用scrapy-splash，你也可以检查这个可以使用selenium处理javascript页面的scrapy middleware，或者你可以通过启动任何无头浏览器来实现

但是更有效和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某个事件期间提出的请求。尝试模拟浏览器发送的相同请求。如果您可以正确复制请求，您将获得所需的数据。

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))

当每个页面的分页URL相同并使用POST请求时，您可以使用scrapy.FormRequest（）而不是scrapy.Request（），两者都相同，但FormRequest会向构造函数添加新参数（formdata =）。

这是post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