- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试查找此页面所有事件的 URL:
https://www.eventshigh.com/delhi/food?src=exp
但我只能看到 JSON 格式的 URL:
{
"@context":"http://schema.org",
"@type":"Event",
"name":"DANDIYA NIGHT 2018",
"image":"https://storage.googleapis.com/ehimages/2018/9/4/img_b719545523ac467c4ad206c3a6e76b65_1536053337882_resized_1000.jpg",
"url":"https://www.eventshigh.com/detail/Delhi/5b30d4b8462a552a5ce4a5ebcbefcf47-dandiya-night-2018",
"eventStatus": "EventScheduled",
"startDate":"2018-10-14T18:30:00+05:30",
"doorTime":"2018-10-14T18:30:00+05:30",
"endDate":"2018-10-14T22:30:00+05:30",
"description" : "Dress code : TRADITIONAL (mandatory)\u00A0 \r\n Dandiya sticks will be available at the venue ( paid)\u00A0 \r\n Lip smacking food, professional dandiya Dj , media coverage , lucky draw \u00A0, Dandiya Garba Raas , Shopping and Games .\u00A0 \r\n \u00A0 \r\n Winners\u00A0 \r\n \u00A0 \r\n Best dress ( all",
"location":{
"@type":"Place",
"name":"K And L Community Hall (senior Citizen Complex )",
"address":"80 TO 49, Pocket K, Sarita Vihar, New Delhi, Delhi 110076, India"
},
这里是:
"url":"https://www.eventshigh.com/detail/Delhi/5b30d4b8462a552a5ce4a5ebcbefcf47-dandiya-night-2018"
但我找不到任何其他包含链接的 HTML/XML 标记。我也找不到包含链接的相应 JSON 文件。您能帮我抓取该页面所有事件的链接吗:
https://www.eventshigh.com/delhi/food?src=exp
最佳答案
从像这样的 JavaScript 驱动的页面收集信息,一开始可能看起来令人畏惧;但实际上通常可以提高工作效率,因为所有信息都集中在一个位置,而不是分散在大量昂贵的 HTTP 请求查找中。
因此,当页面为您提供这样的 JSON 数据时,您可以通过善待服务器来感谢他们并使用它! :)
在您已经收集到的“源 View 分析”上投入一点时间,这也比尝试通过(昂贵的)Selenium/Splash/ect.-renderpipe 获取信息更有效。
实现这一目标的宝贵工具是XPath。有时我们的 friend 会提供一些额外的帮助regex
可能需要。
假设你已经成功获取页面,并且有一个Scrapy response
对象(或者您在其他方式收集的响应主体上有一个 Parsel.Selector()
),您将能够访问 xpath()
方法为response.xpath
或selector.xpath
:
>>> response.status
200
您已确定数据以纯文本 (json) 形式存在,因此我们需要深入了解其隐藏位置,最终提取原始 JSON 内容。之后,将其转换为 Python 字典以供进一步使用将是微不足道的。在本例中,它位于容器节点 <script type="application/ld+json">
内。 。我们的 XPath 可能如下所示:
>>> response.xpath('//script[@type="application/ld+json"]')
[<Selector xpath='//script[@type="application/ld+json"]' data='<script type="application/ld+json">\n{\n '>,
<Selector xpath='//script[@type="application/ld+json"]' data='<script type="application/ld+json">\n{\n '>,
<Selector xpath='//script[@type="application/ld+json"]' data='<script type="application/ld+json">\n '>]
这将在 xml 页面中找到每个“脚本”节点,该节点具有“type”的属性和值“application/ld +json”。显然这还不够具体,因为我们发现了三个节点( Selector
- 包装在我们返回的列表中)。
根据您的分析,我们知道我们的 JSON 必须包含 "@type":"Event"
,所以让我们的 xpath 对此进行一些子字符串搜索:
>>> response.xpath("""//script[@type="application/ld+json"]/self::node()[contains(text(), '"@type":"Event"')]""")
[<Selector xpath='//script[@type="application/ld+json"]/self::node()[contains(text(), \'"@type":"Event"\')]' data='<script type="application/ld+json">\n '>]
这里我们添加了第二个限定符,表示我们的 script
节点必须包含给定的文本。
('self::node()' 显示了一些 XPath 轴魔法,可以在此时引用回我们当前的 script
节点 - 而不是它的后代。不过,我们将简化它。)
现在我们的返回列表包含一个节点/选择器。正如我们从 data=
看到的那样字符串,如果我们要 extract()
这个,我们现在要得到一些像 <script type="application/ld+json">[...]</script>
这样的字符串。由于我们关心节点的内容,而不是节点本身,因此我们还有一步要做:
>>> response.xpath("""//script[@type="application/ld+json"][contains(text(), '"@type":"Event"')]/text()""")
[<Selector xpath='//script[@type="application/ld+json"][contains(text(), \'"@type":"Event"\')]/text()' data='\n [\n \n \n '>]
这会返回我们的目标 SelectorList
(的 text()
) 。正如您所看到的,我们也可以取消 self 引用。现在,xpath()
总是返回 SelectorList
,但我们有一个小 helper :response.xpath().extract_first()
将获取列表的第一个元素 - 检查它是否存在 - 在处理之前。我们可以把这个结果放入 data
变量,之后就可以简单地 json.loads(data)
将其放入 Python 字典中并查找我们的值:
>>> events = json.loads(data)
>>> [item['url'] for item in events]
['<url>',
'<url>',
'<url>',
'<url>']
现在您可以将它们变成scrapy.Request(url)
s,您将知道如何从那里继续。
.
一如既往,负责任地爬行,让网络成为一个美好的地方。我不赞同任何非法行为。
评估自己的权利或获得访问指定目标资源的许可是自己的责任。
关于python - Scrapy + Python,从网站查找链接时出错,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52382206/
在一个 scrapy 项目中,人们经常使用中间件。在交互式 session 期间是否也有一种通用方法可以在 scrapy shell 中启用中间件? 最佳答案 尽管如此,在 setting.py 中设
我想对网页中向下滚动生成的内容进行反向工程。问题出在url https://www.crowdfunder.com/user/following_page/80159?user_id=80159&li
我需要帮助将相对URL转换为Scrapy Spider中的绝对URL。 我需要将起始页面上的链接转换为绝对URL,以获取起始页面上已草稿的项目的图像。我尝试使用不同的方法来实现此目标失败,但是我陷入了
我在 Scrapy Python 中制作了一个脚本,它在几个月内一直运行良好(没有更改)。最近,当我在 Windows Powershell 中执行脚本时,它引发了下一个错误: scrapy craw
我已经从 docker 启动了 splash。我为 splash 和 scrapy 创建了大的 lua 脚本,然后它运行我看到了问题: Lua error: error in __gc metamet
我正在使用scrapy 来抓取网站,但发生了不好的事情(断电等)。 我想知道我怎样才能从它坏了的地方继续爬行。我不想从种子开始。 最佳答案 这可以通过将预定的请求持久化到磁盘来完成。 scrapy c
有人可以向我解释一下 Scrapy 中的暂停/恢复功能是如何实现的吗?作品? scrapy的版本我正在使用的是 0.24.5 documentation没有提供太多细节。 我有以下简单的蜘蛛: cla
我想将 apscheduler 与 scrapy.but 我的代码是错误的。 我应该如何修改它? settings = get_project_settings() configure_logging
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我是爬行新手,想知道是否可以使用 Scrapy 逐步爬行网站,例如 CNBC.com?例如,如果今天我从一个站点抓取所有页面,那么从明天开始我只想收集新发布到该站点的页面,以避免抓取所有旧页面。 感谢
我是scrapy的新手。我正在尝试从 here 下载图像.我在关注 Official-Doc和 this article . 我的 settings.py 看起来像: BOT_NAME = 'shop
我在使用 scrapy 时遇到了一些问题。它没有返回任何结果。我试图将以下蜘蛛复制并粘贴到 scrapy shell 中,它确实有效。真的不确定问题出在哪里,但是当我用“scrapy crawl rx
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
当我使用splash渲染整个目标页面来爬取整个网站时出现问题。某些页面不是随机成功的,所以我错误地获取了支持渲染工作完成后出现的信息。这意味着我尽管我可以从其他渲染结果中获取全部信息,但仅从渲染结果中
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
我的scrapy程序无论如何只使用一个CPU内核CONCURRENT_REQUESTS我做。 scrapy中的某些方法是否可以在一个scrapy爬虫中使用所有cpu核心? ps:好像有争论max_pr
我最近用 python 和 Selenium 做了一个网络爬虫,我发现它做起来非常简单。该页面使用 ajax 调用来加载数据,最初我等待固定的 time_out 来加载页面。这工作了一段时间。之后,我
我想用这个命令运行 scrapy 服务器: scrapy server 它失败了,因为没有项目。然后我创建一个空项目来运行服务器,并成功部署另一个项目。但是,scrapy 服务器无法处理这个项目,并告
我正在创建一个网络应用程序,用于从不同网站抓取一长串鞋子。这是我的两个单独的 scrapy 脚本: http://store.nike.com/us/en_us/pw/mens-clearance-s
我是一名优秀的程序员,十分优秀!