- 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
我正在从使用 Javascript 链接到新页面的页面中获取数据。我正在使用 Scrapy + splash 来获取这些数据,但是,由于某种原因,链接没有被跟踪。
这是我的蜘蛛的代码:
import scrapy
from scrapy_splash import SplashRequest
script = """
function main(splash, args)
local javascript = args.javascript
assert(splash:runjs(javascript))
splash:wait(0.5)
return {
html = splash:html()
}
end
"""
page_url = "https://www.londonstockexchange.com/exchange/prices-and-markets/stocks/exchange-insight/trade-data.html?page=0&pageOffBook=0&fourWayKey=GB00B6774699GBGBXAMSM&formName=frmRow&upToRow=-1"
class MySpider(scrapy.Spider):
name = "foo_crawler"
download_delay = 5.0
custom_settings = {
'DOWNLOADER_MIDDLEWARES' : {
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 400,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
},
#'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter'
}
def start_requests(self):
yield SplashRequest(url=page_url,
callback=self.parse
)
# Parses first page of ticker, and processes all maturities
def parse(self, response):
try:
self.extract_data_from_page(response)
href = response.xpath('//div[@class="paging"]/p/a[contains(text(),"Next")]/@href')
print("href: {0}".format(href))
if href:
javascript = href.extract_first().split(':')[1].strip()
yield SplashRequest(response.url, self.parse,
cookies={'store_language':'en'},
endpoint='execute',
args = {'lua_source': script, 'javascript': javascript })
except Exception as err:
print("The following error occured: {0}".format(err))
def extract_data_from_page(self, response):
url = response.url
page_num = url.split('page=')[1].split('&')[0]
print("extract_data_from_page() called on page: {0}.".format(url))
filename = "page_{0}.html".format(page_num)
with open(filename, 'w') as f:
f.write(response.text)
def handle_error(self, failure):
print("Error: {0}".format(failure))
只有第一页被抓取,我无法通过页面底部的链接“点击”来获取后续页面。
如何解决此问题以便我可以点击页面底部给出的页面?
最佳答案
您的代码看起来不错,唯一的问题是由于生成的请求具有相同的 url,因此重复过滤器会忽略它们。只需取消注释 DUPEFILTER_CLASS 并重试。
custom_settings = {
...
'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter',
}
编辑:要在不运行 javascript 的情况下浏览数据页面,您可以这样做:
page_url = "https://www.londonstockexchange.com/exchange/prices-and-markets/stocks/exchange-insight/trade-data.html?page=%s&pageOffBook=0&fourWayKey=GB00B6774699GBGBXAMSM&formName=frmRow&upToRow=-1"
page_number_regex = re.compile(r"'frmRow',(\d+),")
...
def start_requests(self):
yield SplashRequest(url=page_url % 0,
callback=self.parse)
...
if href:
javascript = href.extract_first().split(':')[1].strip()
matched = re.search(self.page_number_regex, javascript)
if matched:
yield SplashRequest(page_url % matched.group(1), self.parse,
cookies={'store_language': 'en'},
endpoint='execute',
args={'lua_source': script, 'javascript': javascript})
虽然我期待使用 javascript 的解决方案。
关于python - Scrapy splash spider 不跟随链接获取新页面,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54867680/
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!