- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试从“https://pagesjaunes.fr ”中抓取数据。我为了从pagesjaunes中抓取数据:电子邮件、地址等我首先要在
中提交数据当我在网络 chrome 调试器中搜索以查看发送的表单数据时,我可以看到一堆可能由 javascript 动态生成的数据。
这是我的蜘蛛的 python 代码:
import scrapy
from scrapy_splash import SplashRequest
class PagesJaunes(scrapy.Spider):
name="pagesjaunes"
allowed_domains = [".fr", ".com"]
start_urls = ["https://www.pagesjaunes.fr"]
def parse(self, response):
return scrapy.FormRequest.from_response(response,
formdata = {
"quoiqui": "macon",
"ou":"bordeaux"
},
callback = self.parse_page2)
def parse_page2(self, response):
self.logger.info("%s page visited", response.url)
但它向我显示了这个错误:
2017-12-12 13:33:11 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapybot)
2017-12-12 13:33:11 [scrapy.utils.log] INFO: Overridden settings: {'EDITOR': '/usr/bin/nano', 'SPIDER_LOADER_WARN_ONLY': True}
2017-12-12 13:33:11 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.logstats.LogStats']
2017-12-12 13:33:11 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-12-12 13:33:11 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-12-12 13:33:11 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-12-12 13:33:11 [scrapy.core.engine] INFO: Spider opened
2017-12-12 13:33:11 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-12-12 13:33:11 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-12-12 13:33:12 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.pagesjaunes.fr> (referer: None)
2017-12-12 13:33:13 [scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'www.pagesjaunes.fr': <POST https://www.pagesjaunes.fr/annuaire/chercherlespros?hp=1>
2017-12-12 13:33:13 [scrapy.core.engine] INFO: Closing spider (finished)
2017-12-12 13:33:13 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 216,
'downloader/request_count': 1,
'downloader/request_method_count/GET': 1,
'downloader/response_bytes': 19575,
'downloader/response_count': 1,
'downloader/response_status_count/200': 1,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2017, 12, 12, 11, 33, 13, 22520),
'log_count/DEBUG': 3,
'log_count/INFO': 7,
'memusage/max': 52523008,
'memusage/startup': 52523008,
'offsite/domains': 1,
'offsite/filtered': 1,
'request_depth_max': 1,
'response_received_count': 1,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2017, 12, 12, 11, 33, 11, 466154)}
我是否将蜘蛛设置错误,或者我是否需要一种方法来捕获所有表单数据?
最佳答案
它使用类似
的 urlhttps://www.pagesjaunes.fr/annuaire/chercherlespros?quoiqui=macon&ou=Bordeaux&page=2
因此您可以使用字符串格式轻松生成它
?quoiqui={}&ou={}&page={}
我使用 start_requests()
在开始时向 start_urls
添加一些 url。
顺便说一句:我使用完整的域来正确工作
allowed_domains = ["www.pagesjaunes.fr", "www.pagesjaunes.com"]
<小时/>
编辑:我向代码添加新元素
工作示例(无需创建项目)
import scrapy
class MySpider(scrapy.Spider):
name="myspider"
allowed_domains = ["www.pagesjaunes.fr", "www.pagesjaunes.com"]
start_urls = []
def start_requests(self):
url = 'https://www.pagesjaunes.fr/annuaire/chercherlespros?quoiqui={}&ou={}&page={}'
for page in range(5):
yield scrapy.Request(url.format('macon', 'bordeaux', page)) #, callback=self.parse)
def parse(self, response):
self.logger.info("%s page visited", response.url)
print('parse url >>>', response.url)
for item in response.css('article'):
title = item.css('.denomination-links ::text').extract_first().strip()
tel = item.css('.bi-contact-tel strong ::text').extract_first().strip()
email = item.css('.hidden-phone.SEL-email a ::attr(data-pjlb)').extract_first()
if email:
email = email[8:-17]
email = base64.b64decode(email)
url = response.joinurl(email)
yield scrapy.Response(url, callback=parse_email, meta={'title': title, 'tel': tel})
print('title', title, ', tel', tel, 'email:', email)
yield {'title': title, 'tel': tel, 'email:': email}
def parse_email(self, response):
print('parse_email url >>>', response.url)
print('parse_email meta >>>', response.meta)
# --- it runs without project and saves in `output.csv` ---
from scrapy.crawler import CrawlerProcess
c = CrawlerProcess({
'USER_AGENT': 'Mozilla/5.0',
'FEED_FORMAT': 'csv',
'FEED_URI': 'output.csv',
})
c.crawl(MySpider)
c.start()
<小时/>
编辑:经过多次请求(超过 1000 个页面)后,它被服务器阻止
(403) <GET https://www.pagesjaunes.fr/annuaire/chercherlespros?quoiqui=macon&ou=bordeaux&page=3>
显示
关于javascript - Scrapy FormRequest.from_response 错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47771698/
我已经使用 vue-cli 两个星期了,直到今天一切正常。我在本地建立这个项目。 https://drive.google.com/open?id=0BwGw1zyyKjW7S3RYWXRaX24tQ
您好,我正在尝试使用 python 库 pytesseract 从图像中提取文本。请找到代码: from PIL import Image from pytesseract import image_
我的错误 /usr/bin/ld: errno: TLS definition in /lib/libc.so.6 section .tbss mismatches non-TLS reference
我已经训练了一个模型,我正在尝试使用 predict函数但它返回以下错误。 Error in contrasts<-(*tmp*, value = contr.funs[1 + isOF[nn]])
根据Microsoft DataConnectors的信息我想通过 this ODBC driver 创建一个从 PowerBi 到 PostgreSQL 的连接器使用直接查询。我重用了 Micros
我已经为 SoundManagement 创建了一个包,其中有一个扩展 MediaPlayer 的类。我希望全局控制这个变量。这是我的代码: package soundmanagement; impo
我在Heroku上部署了一个应用程序。我正在使用免费服务。 我经常收到以下错误消息。 PG::Error: ERROR: out of memory 如果刷新浏览器,就可以了。但是随后,它又随机发生
我正在运行 LAMP 服务器,这个 .htaccess 给我一个 500 错误。其作用是过滤关键字并重定向到相应的域名。 Options +FollowSymLinks RewriteEngine
我有两个驱动器 A 和 B。使用 python 脚本,我在“A”驱动器中创建一些文件,并运行 powerscript,该脚本以 1 秒的间隔将驱动器 A 中的所有文件复制到驱动器 B。 我在 powe
下面的函数一直返回这个错误信息。我认为可能是 double_precision 字段类型导致了这种情况,我尝试使用 CAST,但要么不是这样,要么我没有做对...帮助? 这是错误: ERROR: i
这个问题已经有答案了: Syntax error due to using a reserved word as a table or column name in MySQL (1 个回答) 已关闭
我的数据库有这个小问题。 我创建了一个表“articoli”,其中包含商品的品牌、型号和价格。 每篇文章都由一个 id (ID_ARTICOLO)` 定义,它是一个自动递增字段。 好吧,现在当我尝试插
我是新来的。我目前正在 DeVry 在线学习中级 C++ 编程。我们正在使用 C++ Primer Plus 这本书,到目前为止我一直做得很好。我的老师最近向我们扔了一个曲线球。我目前的任务是这样的:
这个问题在这里已经有了答案: What is an undefined reference/unresolved external symbol error and how do I fix it?
我的网站中有一段代码有问题;此错误仅发生在 Internet Explorer 7 中。 我没有在这里发布我所有的 HTML/CSS 标记,而是发布了网站的一个版本 here . 如您所见,我在列中有
如果尝试在 USB 设备上构建 node.js 应用程序时在我的树莓派上使用 npm 时遇到一些问题。 package.json 看起来像这样: { "name" : "node-todo",
在 Python 中,您有 None单例,在某些情况下表现得很奇怪: >>> a = None >>> type(a) >>> isinstance(a,None) Traceback (most
这是我的 build.gradle (Module:app) 文件: apply plugin: 'com.android.application' android { compileSdkV
我是 android 的新手,我的项目刚才编译和运行正常,但在我尝试实现抽屉导航后,它给了我这个错误 FAILURE: Build failed with an exception. What wen
谁能解释一下?我想我正在做一些非常愚蠢的事情,并且急切地等待着启蒙。 我得到这个输出: phpversion() == 7.2.25-1+0~20191128.32+debian8~1.gbp108
我是一名优秀的程序员,十分优秀!