如何解决有像#spliter一样的东西吗?
我正在抓取https://www.patelco.org/search-results#stq=&stp=1,我要抓取所有页面,我有一个关于scrapy的基本概念,这是我正在使用的代码:
import scrapy
import json
class PatelcospiderSpider(scrapy.Spider):
name = 'patelcospider'
start_urls = ['https://www.patelco.org/search-results''#stq=&stp=1']
def parse(self,response):
columns = {
"question": [],"answer": []
}
QUESTION_ANSWER_SELECTOR = ".st-ui-result"
QUESTION_SELECTOR = ".st-ui-type-heading ::text"
ANSWER_SELECTOR = ".st-ui-type-detail ::text"
questions_answers = response.css(QUESTION_ANSWER_SELECTOR)
for question_answer in questions_answers:
question = question_answer.css(QUESTION_SELECTOR).getall()
question = " ".join(question).strip()
answer = question_answer.css(ANSWER_SELECTOR).getall()
answer = " ".join(answer).strip()
columns["question"].append(question)
columns["answer"].append(answer)
columns["link"].append(response.url)
return columns
执行时不返回任何值。这是相关的输出:
2020-08-28 20:39:48 [scrapy.core.engine]信息:蜘蛛开了
2020-08-28 20:39:48 [scrapy.extensions.logstats]信息:检索到0页 (以0页/分钟的速度),抓取0条(以0条/分钟的速度)
2020-08-28 20:39:48 [scrapy.extensions.telnet]信息:Telnet控制台 正在听127.0.0.1:6023
2020-08-28 20:39:55 [scrapy.core.engine]调试:已抓取(200)
https://www.patelco.org/search-results#stq=&stp=1>(引荐来源:无) 2020-08-28 20:39:56 [scrapy.core.scraper]调试:https://www.patelco.org/search-results>
{'问题':[],'答案':[]}
2020-08-28 20:39:56 [scrapy.core.engine]信息:关闭蜘蛛 (完成)
我认为问题在于Scrapy正在抓取https://www.patelco.org/search-results,而实际上没有任何回报。我做了很多搜索,但不知道如何解决。
谢谢。
解决方法
这是因为该页面是由javascript加载的。您可以在chrome开发工具中自行检查。
检查页面->面板右侧的三个点->更多工具->设置->调试器->禁用javascript。
有两种方法可以抓取动态内容。通过动态内容,我的意思是javascript正在使用HTTP请求来获取数据并将其显示在网页上。许多现代站点都以这种方式显示信息。这在抓取时提出了挑战。
- 重新设计HTTP请求
- 使用浏览器自动化
第一个始终是第一选择,请查看网站是否具有可以使用的API端点。快速,高效和可扩展。与浏览器自动化不同,这是万不得已的方法,或者功能过于复杂且没有可用的API。它很慢,对网站HTML的更改很脆弱,并且伸缩性很差。
幸运的是,您可以使用一个API端点。我怎么知道呢?再次使用chrome开发工具。
检查页面->网络工具-> XHR
XHR代表XML HTTP Request,任何涉及服务器始终执行API的操作,这些请求都进入开发工具的这一部分。
您可以看到“ search.json”
我们可以将此请求复制到将cURL命令转换为python的网站(curl.trillworks.com)
这是网站转换的代码。它提供了一种将请求转换为python字典等的有用方法。
import requests
data = {
'q': '','page': '1'
}
response = requests.post('https://search-api.swiftype.com/api/v1/public/installs/Ty14DuZryzPDG_wzbyzh/search.json',data=data)
response.json()
现在,如果您复制请求,您还将获得标头,并且值得处理该请求。一些请求只需要一个简单的HTTP get请求,而没有任何头,数据,参数,cookie。其他人将需要更多。这里我们要做的就是在data参数中指定页码。
输出
{'record_count': 10,'records': {'page': [{'url': 'https://www.patelco.org/','sections': ['You can count on us','Better rates,more savings and all about YOU.','Our community','Join us','What are your dreams and goals?','Lower my debt','Build my savings','Purchase a home','Plan for the future','Manage my retirement',"Who we've helped",'UPGRADE MY HOME','SUPERIOR SERVICE','APPLY FOR A LOAN'],'title': 'Serving San Francisco Bay Area,Santa Rosa & Sacramento - Patelco Credit Union',.....
那里有很多信息,但是我们可以用它来做一个简单的scrapy Request来做同样的事情。
Scrapy的代码示例
def start_urls(self):
url = 'https://search-api.swiftype.com/api/v1/public/installs/Ty14DuZryzPDG_wzbyzh/search.json'
data = {
'q': '','page': '1'
}
yield scrapy.Request(url=url,meta={'data':data},callback=self.parse)
def parse(self,response):
response.json()
请注意,meta
参数是一种确保请求中也包含我们要沿着HTTP请求发送的数据的方法。没有它,您将无法获得所需的正确JSON对象。
这里response.json()
将JSON对象转换为python字典。由于在显示的字典中会出现嵌套,因此我倾向于使用request包考虑要显示的数据,然后再进行scrapy编码。
以此为例
response.json()['records']['page'][0]['title']
对应于输出
'Serving San Francisco Bay Area,Santa Rosa & Sacramento - Patelco Credit Union'
当您将JSON对象转换成字典时,通常会有很多嵌套,这就是为什么我使用请求包首先弄清楚它的原因。这些页面嵌套在response.json()['records']['page']
然后,您需要考虑使用产生字典或最好使用项来存储所需数据的想法。如果不确定,请查阅有关草率的文档。
您还可以更改数据参数以请求更多页面以获取更多数据,但是我首先要考虑如何进行此操作。遇到困难时,很乐意为您提供帮助。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。