Селен с scrapy для динамической страницы

Ответ 1

Это действительно зависит от того, как вам нужно очистить сайт и как и какие данные вы хотите получить.

Вот пример того, как вы можете следить за разбиением на страницы на ebay, используя 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()

Вот несколько примеров "пауков селена":

• Выполнение функций формы Javascript с помощью scrapy в python
• https://gist.github.com/cheekybastard/4944914
• https://gist.github.com/irfani/1045108
• http://snipplr.com/view/66998/

Существует также альтернатива использованию Selenium с Scrapy. В некоторых случаях достаточно использовать ScrapyJS промежуточное программное обеспечение для обработки динамических частей страницы. Пример использования в реальном мире:

• Скремблирование динамического содержимого с помощью python-Scrapy

Ответ 2

Если (url не меняется между двумя страницами), тогда вы должны добавить dont_filter = True с вашим scrapy.Request() или scrapy найдет этот URL как дубликат после обработки первой страницы.

Если вам нужно визуализировать страницы с помощью javascript, вам следует использовать scrapy-splash, вы также можете проверить это промежуточное программное обеспечение scrapy, которое может обрабатывать страницы javascript с использованием селена, или вы можете сделать это, запустив любой браузер без монитора.

Но более эффективное и быстрое решение - проверить ваш браузер и посмотреть, какие запросы были сделаны во время отправки формы или запуска определенного события. Попробуйте смоделировать те же запросы, что и ваш браузер. Если вы сможете правильно повторить запрос, вы получите необходимые данные.

Вот пример:

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))

Если для всех страниц одинаковый URL-адрес разбиения на страницы и используется POST-запрос, вы можете использовать scrapy.FormRequest() вместо scrapy.Request(), оба одинаковы, но FormRequest добавляет новый аргумент (formdata =) в конструктор.

Вот еще один пример паука из этого поста:

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