javascript - 使用 PostBack 数据爬取页面 javascript Python Scrapy

Question

我正在通过 Scrapy 使用 ASP.NET 编程爬取一些目录。

要抓取的页面是这样编码的:

javascript:__doPostBack('ctl00$MainContent$List','Page$X')

其中 X 是 1 到 180 之间的整数。MainContent 参数始终相同。我不知道如何爬进这些。我很想在 SLE 规则中添加一些像 allow=('Page$') 或 attrs='__doPostBack' 这样简单的东西，但我想我必须为了从 javascript“链接”中提取信息，需要一些技巧。

如果更容易从 javascript 代码中“揭开”每个绝对链接并将它们保存到 csv，然后使用该 csv 将请求加载到新的抓取器中，那也没关系。

Answer 1

这种分页并不像看起来那么微不足道。解决它是一个有趣的挑战。关于下面提供的解决方案，有几个重要说明:

• 这里的想法是在 Request.meta dictionary 中的当前页面逐页跟随分页。
• 使用regular BaseSpider因为分页中涉及一些逻辑
• 提供伪装成真实浏览器的headers很重要
• 产生FormRequest很重要s withdont_filter=True 因为我们基本上是向相同的 URL 但使用不同的参数发出 POST 请求

代码:

import re

from scrapy.http import FormRequest
from scrapy.spider import BaseSpider


HEADERS = {
    'X-MicrosoftAjax': 'Delta=true',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.76 Safari/537.36'
}
URL = 'http://exitrealty.com/agent_list.aspx?firstName=&lastName=&country=USA&state=NY'


class ExitRealtySpider(BaseSpider):
    name = "exit_realty"

    allowed_domains = ["exitrealty.com"]
    start_urls = [URL]

    def parse(self, response):
        # submit a form (first page)
        self.data = {}
        for form_input in response.css('form#aspnetForm input'):
            name = form_input.xpath('@name').extract()[0]
            try:
                value = form_input.xpath('@value').extract()[0]
            except IndexError:
                value = ""
            self.data[name] = value

        self.data['ctl00$MainContent$ScriptManager1'] = 'ctl00$MainContent$UpdatePanel1|ctl00$MainContent$agentList'
        self.data['__EVENTTARGET'] = 'ctl00$MainContent$List'
        self.data['__EVENTARGUMENT'] = 'Page$1'

        return FormRequest(url=URL,
                           method='POST',
                           callback=self.parse_page,
                           formdata=self.data,
                           meta={'page': 1},
                           dont_filter=True,
                           headers=HEADERS)

    def parse_page(self, response):
        current_page = response.meta['page'] + 1

        # parse agents (TODO: yield items instead of printing)
        for agent in response.xpath('//a[@class="regtext"]/text()'):
            print agent.extract()
        print "------"

        # request the next page
        data = {
            '__EVENTARGUMENT': 'Page$%d' % current_page,
            '__EVENTVALIDATION': re.search(r"__EVENTVALIDATION\|(.*?)\|", response.body, re.MULTILINE).group(1),
            '__VIEWSTATE': re.search(r"__VIEWSTATE\|(.*?)\|", response.body, re.MULTILINE).group(1),
            '__ASYNCPOST': 'true',
            '__EVENTTARGET': 'ctl00$MainContent$agentList',
            'ctl00$MainContent$ScriptManager1': 'ctl00$MainContent$UpdatePanel1|ctl00$MainContent$agentList',
            '': ''
        }

        return FormRequest(url=URL,
                           method='POST',
                           formdata=data,
                           callback=self.parse_page,
                           meta={'page': current_page},
                           dont_filter=True,
                           headers=HEADERS)