селен зі скрапом для динамічної сторінки

Я намагаюся зішкребти інформацію про товар із веб-сторінки за допомогою скрапінгу. Моя веб-сторінка, яку потрібно очистити, виглядає так:

• починається зі сторінки списку товарів із 10 товарами
• натискання кнопки "Далі" завантажує наступні 10 продуктів (URL не змінюється між двома сторінками)
• я використовую LinkExtractor, щоб перейти за кожним посиланням на товар на сторінці товару та отримати всю необхідну мені інформацію

Я намагався відтворити наступний виклик ajax-кнопки, але не можу працювати, тому я пробую селен. Я можу запустити веб-драйвер селену окремим сценарієм, але я не знаю, як інтегрувати його зі скрапінгом. Куди покласти частину селену в павука-скрепера?

Мій павук досить стандартний, наприклад, такий:

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

Будь-яка ідея цінується. Дякую!

Це насправді залежить від того, як вам потрібно зішкребти сайт і як і які дані ви хочете отримати.

Ось приклад, як ви можете стежити за розбиттям сторінок на ebay, використовуючи 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()

Ось кілька прикладів "павуків селену":

• Виконання функцій подання форми Javascript за допомогою scrap у python
• https://gist.github.com/cheekybastard/4944914
• https://gist.github.com/irfani/1045108
• http://snipplr.com/view/66998/

Існує також альтернатива тому, щоб використовувати Seleniumз Scrapy. У деяких випадках для обробки динамічних частин сторінки достатньо використання ScrapyJSпроміжного програмного забезпечення . Зразок реального використання:

• Вишкрібання динамічного вмісту за допомогою python-Scrapy

Якщо (url не змінюється між двома сторінками), вам слід додати dont_filter = True до вашого scrap.Request () або scrapy знайде цю URL-адресу як копію після обробки першої сторінки.

Якщо вам потрібно відтворити сторінки за допомогою javascript, вам слід скористатися scrapy-splash , ви також можете перевірити це проміжне програмне забезпечення scrapy яке може обробляти сторінки javascript за допомогою селену, або ви можете це зробити, запустивши будь-який безголовий браузер

Але більш ефективним і швидким рішенням є перевірка вашого браузера та перевірка того, які запити надходять під час подання форми чи ініціювання певної події. Спробуйте імітувати ті самі запити, що й ваш браузер. Якщо ви зможете правильно відтворити запит, ви отримаєте потрібні дані.

Ось приклад:

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))

Коли URL-адреса пагінації однакова для всіх сторінок і використовує запит POST, тоді ви можете використовувати scrapy.FormRequest () замість scrapy.Request () , обидва однакові, але FormRequest додає новий аргумент ( formdata = ) до конструктора.

Ось ще один приклад павука з цього допису :

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