Scraping dynamic content using python-Scrappy
Disclaimer: widziałem wiele innych podobnych postów na StackOverflow i próbowałem zrobić to w ten sam sposób, ale nie wydaje się, aby działać na tej stronie.
Używam Pythona-Scrapy do pobierania danych z koovs.com.
Nie jestem jednak w stanie uzyskać rozmiaru produktu, który jest generowany dynamicznie. W szczególności, jeśli ktoś mógłby poprowadzić mnie trochę na temat uzyskania znacznika rozmiaru "niedostępny" z rozwijanego menu na ten link {6]}, byłbym wdzięczny.
Jestem w stanie uzyskaj listę rozmiarów statycznie, ale robiąc to, dostaję tylko listę rozmiarów, ale nie które z nich są dostępne.
3 answers
Można również rozwiązać go za pomocą ScrapyJS
(nie potrzeba selenium
i prawdziwej przeglądarki):
Ta biblioteka zapewnia integrację Scrapy + JavaScript za pomocą Splash.
Postępuj zgodnie z instrukcjami instalacji Splash
oraz ScrapyJS
, Uruchom kontener Splash docker:
$ docker run -p 8050:8050 scrapinghub/splash
Wprowadź następujące ustawienia w settings.py
:
SPLASH_URL = 'http://192.168.59.103:8050'
DOWNLOADER_MIDDLEWARES = {
'scrapyjs.SplashMiddleware': 725,
}
DUPEFILTER_CLASS = 'scrapyjs.SplashAwareDupeFilter'
A oto twój przykładowy pająk, który jest w stanie zobaczyć dostępność rozmiaru informacje:
# -*- coding: utf-8 -*-
import scrapy
class ExampleSpider(scrapy.Spider):
name = "example"
allowed_domains = ["koovs.com"]
start_urls = (
'http://www.koovs.com/only-onlall-stripe-ls-shirt-59554.html?from=category-651&skuid=236376',
)
def start_requests(self):
for url in self.start_urls:
yield scrapy.Request(url, self.parse, meta={
'splash': {
'endpoint': 'render.html',
'args': {'wait': 0.5}
}
})
def parse(self, response):
for option in response.css("div.select-size select.sizeOptions option")[1:]:
print option.xpath("text()").extract()
Oto co jest wydrukowane na konsoli:
[u'S / 34 -- Not Available']
[u'L / 40 -- Not Available']
[u'L / 42']
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-05-21 15:56:24
Z tego, co rozumiem, dostępność rozmiaru jest określana dynamicznie w javascript wykonywanym w przeglądarce. Scrappy nie jest przeglądarką i nie może wykonać javascript.
Jeśli nie masz nic przeciwko przełączeniu się na selenium
Narzędzie do automatyzacji przeglądarki , Oto przykładowy kod:
from selenium import webdriver
from selenium.webdriver.support.select import Select
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
browser = webdriver.Firefox() # can be webdriver.PhantomJS()
browser.get('http://www.koovs.com/only-onlall-stripe-ls-shirt-59554.html?from=category-651&skuid=236376')
# wait for the select element to become visible
select_element = WebDriverWait(browser, 10).until(EC.visibility_of_element_located((By.CSS_SELECTOR, "div.select-size select.sizeOptions")))
select = Select(select_element)
for option in select.options[1:]:
print option.text
browser.quit()
Drukuje:
S / 34 -- Not Available
L / 40 -- Not Available
L / 42
Zauważ, że zamiast Firefox
możesz używać innych webdriverów, takich jak Chrome lub Safari. Istnieje również możliwość użycia bezgłowej przeglądarki PhantomJS
.
Możesz także w razie potrzeby połączyć skrobię z selenem, patrz:
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-05-23 12:18:24
Zmierzyłem się z tym problemem i łatwo go rozwiązałem, wykonując następujące kroki
Pip install splash
pip install Scrappy-splash
pip install scrapyjs
Pobierz i zainstaluj docker-toolbox
Otwórz docker-quickterminal i wprowadź
$ docker run -p 8050:8050 scrapinghub/splash
aby ustawić splash_url należy sprawdzić domyślny adres IP skonfigurowany w dockerze wpisując $ docker-machine ip default
(moje IP to 192.168.99.100)
SPLASH_URL = 'http://192.168.99.100:8050'
DOWNLOADER_MIDDLEWARES = {
'scrapyjs.SplashMiddleware': 725,
}
DUPEFILTER_CLASS = 'scrapyjs.SplashAwareDupeFilter'
To jest to!Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-06-05 14:11:45