web-dev-qa-db-ja.com

動的ページのスクレイピーを含むセレン

スクレイピーを使用して、Webページから製品情報をスクレイピングしようとしています。スクレイピングするWebページは次のようになります。

  • 10個の製品を含むproduct_listページで始まります
  • [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（2つのページ間でURLは変わりません）
  • linkExtractorを使用して各製品リンクをたどって製品ページにアクセスし、必要なすべての情報を取得します

Next-ajax-callをレプリケートしようとしましたが、動作しませんので、Seleniumを試してみます。 SeleniumのWebドライバーを別のスクリプトで実行できますが、Scrapyと統合する方法がわかりません。セレンのパーツをスクレイピースパイダーの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！

pythonseleniumselenium-webdriverweb-scrapingscrapy
71
Z. Lin

それは、サイトをどのようにスクレイピングする必要があるか、どのようなデータをどのように取得するかによって大きく異なります。

Scrapy + Seleniumを使用してebayのページネーションを追跡する方法の例を次に示します。

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。

SeleniumでScrapyを使用する代わりの方法もあります。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：

102
alecxe

（URLが2つのページ間で変化しない場合）dont_filter = Trueをscrapy.Request（）に追加する必要があります。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を使用して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。Seleniumを使用してJavaScriptページを処理できる scrapyミドルウェア も確認できます。ヘッドレスブラウザ

しかし、より効果的で高速なソリューションは、ブラウザーを検査し、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。

以下に例を示します。

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あり、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。同じですが、FormRequestはコンストラクタに新しい引数（formdata =）を追加します。

これは、この post 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
1
Expired Brain