- 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
我有以下问题:
我的抓取工具从“基本”URL 开始。此页面包含一个下拉菜单,该下拉菜单通过 ajax 调用创建另一个下拉菜单,并且此级联 2-3 次,直到它具有到达我想要抓取的实际内容所在的“最终”页面所需的所有信息。
我没有点击东西(并且必须使用 Selenium 或类似的东西),而是使用公开 JSON API 的页面来模仿这种行为,所以我没有点击下拉菜单,而是简单地发送一个请求并读取包含用于的信息数组的 JSON 响应生成下一个下拉列表的内容,并执行此操作,直到我获得一个项目的最终 URL。此 URL 将我带到我想要实际解析的最终项目页面。
我对如何使用 Scrapy 获取每个下拉框组合的“最终”URL 感到困惑。我使用 urllib 编写了一个爬虫,它使用大量循环来遍历每个 url 组合,但 Scrapy 似乎有点不同。我放弃了 urllib 和 lxml,因为 Scrapy 似乎是一个更易于维护的解决方案,更容易与 Django 项目集成。
本质上,我试图强制 Scrapy 采用我在阅读 json 响应内容时生成的特定路径,并且只真正解析链中的最后一页以获取真实内容。它需要为每个可能的页面执行此操作,我很乐意将其并行化以提高效率(并使用 Tor,但这些是以后的问题)。
希望我已经解释清楚了,如果您有任何问题,请告诉我。非常感谢您的帮助!
编辑:添加示例
[base url]/?location=120§ion=240
返回:
<departments>
<department id="62" abrev="SIG" name="name 1"/>
<department id="63" abrev="ENH" name="name 2"/>
<department id="64" abrev="GGTH" name="name 3"/>
...[more]
</departments>
然后我获取部门 ID,像这样将它添加到 url 中:
[base url]/?location=120§ion=240&department_id=62
返回:
<courses>
<course id="1" name="name 1"/>
<course id="2" name="name 2"/>
</courses>
这一直持续到我最终得到列表的实际链接。
这基本上就是它在页面上的样子(尽管在我的例子中,表单上有一个最终的“提交”按钮,可以将我发送到我想要解析的实际列表): http://roshanbh.com.np/dropdown/
因此,我需要某种方式来抓取下拉菜单的每个组合,以便获得所有可能的列表页面。遍历 ajax xml 响应以生成最终列表 URL 的中间步骤让我一头雾水。
最佳答案
您可以使用从主回调函数开始的回调函数链,假设您正在实现一个扩展 BaseSpider 的爬虫,像这样编写您的解析函数:
...
def parse(self, response):
#other code
yield Request (url=self.baseurl, callback=self.first_dropdown)
def first_dropdown (self, response):
ids=self.parse_first_response() #Code for parsing the first dropdown content
for (i in ids):
req_url=response.url+"/?location="+i
yield Request (url=req_url, callback=self.second_dropdown)
def second_dropdown (self, response):
ids=self.parse_second_response() #Code for parsing the second dropdown contents
url=self.base_url
for (i in ids):
req_url=response.url+"§ion="+i
yield Request (url=req_url, callback=self.third_dropdown)
...
最后一个回调函数将包含提取数据所需的代码。
请注意,您要求尝试所有可能的输入组合,这可能会导致您很快收到大量请求。
关于python - 解析 ajax 响应以检索 Scrapy 中的最终 url 内容?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17139602/
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!