動的ページ用のスクレイプ付きセレン

Question 1

Scrapyを使用して、Webページから製品情報を取得しようとしています。私のスクレイピングされるWebページは次のようになります。

10個の製品を含むproduct_listページから始まります
「次へ」ボタンをクリックすると、次の10個の製品が読み込まれます（URLは2つのページ間で変更されません）
LinkExtractorを使用して、各製品リンクを製品ページにたどり、必要なすべての情報を取得します

next-button-ajax-callを複製しようとしましたが、機能しません。そこで、セレンを試してみます。別のスクリプトでSeleniumのWebドライバーを実行できますが、scrapyと統合する方法がわかりません。スクレープスパイダーのセレン部分はどこに置けばいいですか？

私のクモは次のようにかなり標準的です：

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

どんなアイデアでも大歓迎です。ありがとうございました！

Question 2

それは本当にあなたがどのようにサイトをこすり取る必要があるか、そしてあなたがどのようにそしてどんなデータを取得したいかに依存します。

Scrapy+を使用してeBayのページ付けを追跡する方法の例を次に示します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()

「セレンスパイダー」の例を次に示します。

使用することの代替もありSeleniumではScrapy。場合によっては、ScrapyJSミドルウェアを使用するだけでページの動的な部分を処理できます。実際の使用例：

Pythonを使用した動的コンテンツのスクレイピング-Scrapy

Question 3

（URLが2つのページ間で変更されない）場合は、dont_filter = Trueを追加する必要があります、scrapy.Request（）でをがあります。そうしないと、scrapyは最初のページの処理後にこのURLを重複として検出します。

javascriptでページをレンダリングする必要がある場合は、scrapy-splashを使用する必要があります。また、このScrapyミドルウェアを確認することもできます。 seleniumを使用してjavascriptページを処理できるをするか、ヘッドレスブラウザを起動してそれを行うことができます。

しかし、より効果的で高速な解決策は、ブラウザーを検査して、フォームの送信中または特定のイベントのトリガー中に行われた要求を確認することです。ブラウザが送信するのと同じリクエストをシミュレートしてみてください。リクエストを正しく複製できれば、必要なデータを取得できます。

ここに例があります：

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))

ページネーションURLがすべてのページで同じでPOSTリクエストを使用する場合、scrapy.Request（）の代わりにscrapy.FormRequest（）を使用できます。どちらも同じですが、FormRequestは新しい引数を追加します（formdata =コンストラクターに）を。

これは、この投稿からの別のスパイダーの例です：

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