python - Scrapy-splash 不渲染来自某个 react 驱动站点的动态内容

Question

我很好奇是否有任何splash可以从这个页面获取动态的工作内容 - https://nreca.csod.com/ux/ats/careersite/4/home?c=nreca#/requisition/182

为了让splash 接收URL 片段，您必须使用SplashRequest。为了让它处理 JS cookie，我必须使用 lua 脚本。下面是我的环境、脚本和 scrapy 代码。

该网站似乎分 3 个“步骤”即可呈现:

1. 基本上是带有脚本标记的空 html
2. 上面的脚本运行并生成网站页眉/页脚，并检索另一个脚本
3. #2 中的脚本运行并与 JS 设置 cookie 结合检索动态内容(我想要抓取的作业)

如果您对 URL(即在 postman 中)执行简单的 GET，您将仅看到步骤 1 的内容。对于splash，我只得到第2步的结果(页眉/页脚)。我确实在response.cookiejar中看到了JS cookies

我无法渲染动态作业内容(步骤 3)。

环境:

scrapy 1.3.3scrapy 飞溅 0.72 settings

    script = """
        function main(splash)
          splash:init_cookies(splash.args.cookies)
          assert(splash:go{
            splash.args.url,
            headers=splash.args.headers,
            http_method=splash.args.http_method,
            body=splash.args.body,
            })
          assert(splash:wait(15))

          local entries = splash:history()
          local last_response = entries[#entries].response
          return {
            url = splash:url(),
            headers = last_response.headers,
            http_status = last_response.status,
            cookies = splash:get_cookies(),
            html = splash:html(),
          }
        end
    """

    return SplashRequest('https://nreca.csod.com/ux/ats/careersite/4/home?c=nreca#/requisition/182', 
        self.parse_detail, 
        endpoint='execute',
        cache_args=['lua_source'],
        args={
            'lua_source': script,
            'wait': 10,
            'headers': {'User-Agent': 'Mozilla/5.0'}
        },
    )

Answer 1

这一定是在隐私浏览模式下默认运行启动时出现的问题(特别是不允许访问 window.localStorage)。这通常会导致 javascript 发生异常。尝试使用 --disable-private-mode 选项启动启动或引用此文档条目:http://splash.readthedocs.io/en/stable/faq.html#disable-private-mode .