selen z scrapy dla dynamicznej strony

Próbuję wydobyć informacje o produkcie ze strony internetowej za pomocą scrapy. Moja strona internetowa do pobrania wygląda następująco:

• zaczyna się od strony product_list z 10 produktami
• kliknięcie przycisku „dalej” ładuje następnych 10 produktów (adres URL nie zmienia się między dwiema stronami)
• Używam LinkExtractor, aby przejść do każdego linku do strony produktu i uzyskać wszystkie potrzebne informacje

Próbowałem zreplikować wywołanie next-button-ajax-call, ale nie mogę zacząć działać, więc próbuję selenu. Mogę uruchomić webdriver selenu w osobnym skrypcie, ale nie wiem jak zintegrować się z scrapy. Gdzie mam umieścić część selenu w moim pająku drapiącym?

Mój pająk jest dość standardowy, jak poniżej:

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

Każdy pomysł jest mile widziany. Dziękuję Ci!

To naprawdę zależy od tego, jak chcesz zeskrobać witrynę oraz jak i jakie dane chcesz uzyskać.

Oto przykład, jak możesz śledzić paginację w serwisie eBay za pomocą Scrapy+ 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()

Oto kilka przykładów „pająków selenu”:

• Wykonywanie funkcji formularza przesyłania JavaScript za pomocą scrapy w Pythonie
• https://gist.github.com/cheekybastard/4944914
• https://gist.github.com/irfani/1045108
• http://snipplr.com/view/66998/

Istnieje również alternatywa dla korzystania Seleniumz Scrapy. W niektórych przypadkach do obsługi dynamicznych części strony wystarczy użycie ScrapyJSoprogramowania pośredniego . Przykładowe użycie w świecie rzeczywistym:

• Pobieranie dynamicznej zawartości za pomocą Python-Scrapy

Jeśli (adres URL nie zmienia się między dwiema stronami), powinieneś dodać dont_filter = True do twojego scrapy.Request () lub scrapy znajdzie ten adres jako duplikat po przetworzeniu pierwszej strony.

Jeśli chcesz renderować strony za pomocą javascript, powinieneś użyć scrapy-splash , możesz również sprawdzić to scrapy middleware, które obsługuje strony javascript przy użyciu selenu lub możesz to zrobić uruchamiając dowolną przeglądarkę bezgłową

Ale skuteczniejszym i szybszym rozwiązaniem jest zbadanie przeglądarki i sprawdzenie, jakie żądania są wysyłane podczas przesyłania formularza lub wywołania określonego zdarzenia. Spróbuj zasymulować te same żądania, które wysyła Twoja przeglądarka. Jeśli uda Ci się poprawnie powtórzyć żądanie (-a), otrzymasz potrzebne dane.

Oto przykład :

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))

Kiedy adres URL paginacji jest taki sam dla każdej strony i używa żądania POST, możesz użyć scrapy.FormRequest () zamiast scrapy.Request () , oba są takie same, ale FormRequest dodaje nowy argument ( formdata = ) do konstruktora.

Oto kolejny przykład pająka z tego postu :

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