Python SCRAPY:每次我的蜘蛛爬行,它都在刮同一页(第一页)
我已经编写了一段代码,在Python中使用Scrapy浏览页面。下面我已经粘贴了main.py代码。但是,每当我运行spider时,它只从第一页(DEBUG:Scraped-from)进行刮取,这也是请求头中的引用(检查时) 我尝试添加“请求有效负载”字段数据的源,粘贴在这里:{“操作”:“加载列表”,“跳过”:64,“过滤器”:{“1005”:[],“1006”:[],“1007”:[],“1009”:[],“1013”:[]},当我试图用它打开页面时(在本查找中修改: ;“操作”:“加载列表”;“跳过”:“32”;“排序”:“无” ),浏览器将打开它。但粘乎乎的壳却没有。我还尝试添加请求URL:中的数字,其中查询字符串参数为1563872492384;但它仍然无法从请求的页面中删除 此外,我尝试了很多变化,添加了很多东西,所有这些我都在网上读过,只是为了看看是否会有进展,但没有 代码是:Python SCRAPY:每次我的蜘蛛爬行,它都在刮同一页(第一页),python,python-3.x,web-scraping,scrapy,Python,Python 3.x,Web Scraping,Scrapy,我已经编写了一段代码,在Python中使用Scrapy浏览页面。下面我已经粘贴了main.py代码。但是,每当我运行spider时,它只从第一页(DEBUG:Scraped-from)进行刮取,这也是请求头中的引用(检查时) 我尝试添加“请求有效负载”字段数据的源,粘贴在这里:{“操作”:“加载列表”,“跳过”:64,“过滤器”:{“1005”:[],“1006”:[],“1007”:[],“1009”:[],“1013”:[]},当我试图用它打开页面时(在本查找中修改: ;“操作”:“加载列表
from scrapy.spiders import CrawlSpider
from tus_pomos.items import TusPomosItem
from tus_pomos.scrapy_splash import SplashRequest
class TusPomosSpider(CrawlSpider):
name = 'TUSP'
allowed_domains = ['www.tuscc.si']
start_urls = ["https://www.tuscc.si/produkti/instant-juhe#0;1563872492384;",
"https://www.tuscc.si/produkti/instant-juhe#64;1563872492384;", ]
download_delay = 5.0
def start_requests(self):
# payload = [
# {"action": "loadList",
# "skip": 0,
# "filter": {
# "1005": [],
# "1006": [],
# "1007": [],
# "1009": [],
# "1013": []}
# }]
for url in self.start_urls:
r = SplashRequest(url, self.parse, magic_response=False, dont_filter=True, endpoint='render.json', meta={
'original_url': url,
'dont_redirect': True},
args={
'wait': 2,
'html': 1
})
r.meta['dont_redirect'] = True
yield r
def parse(self, response):
items = TusPomosItem()
pro = response.css(".thumb-box")
for p in pro:
pro_link = p.css("a::attr(href)").extract_first()
pro_name = p.css(".description::text").extract_first()
items['pro_link'] = pro_link
items['pro_name'] = pro_name
yield items
总之,我请求从分页中抓取所有页面,例如此页面(我还尝试使用命令scrapy shell url):
)
但响应始终是第一页,并且它会反复地删除:
如果你能帮助我,我将不胜感激。谢谢
PARSE_DETAILS生成器函数
def parse_detail(self, response):
items = TusPomosItem()
pro = response.css(".thumb-box")
for p in pro:
pro_link = p.css("a::attr(href)").extract_first()
pro_name = p.css(".description::text").extract_first()
items['pro_link'] = pro_link
items['pro_name'] = pro_name
my_details = {
'pro_link': pro_link,
'pro_name': pro_name
}
with open('pro_file.json', 'w') as json_file:
json.dump(my_details, json_file)
yield items
# yield scrapy.FormRequest(
# url='https://www.tuscc.si/produkti/instant-juhe',
# callback=self.parse_detail,
# method='POST',
# headers=self.headers
# )
在这里,我不确定我是应该按原样分配“items”变量,还是从response.body中获取?
另外,收益率应该是现在的样子,还是我应该通过请求来改变它(而不是部分地被给出的答案代码复制)
我是新来的,所以感谢您的理解!与其使用Splash来呈现页面,不如从所做的底层请求中获取数据,这样可能会更高效。 下面的代码遍历了所有包含文章的页面。在parse_detail下,您可以编写逻辑将响应中的数据加载到json中,在json中可以找到产品的“pro_链接”和“pro_名称”
import scrapy
import json
from scrapy.spiders import Spider
from ..items import TusPomosItem
class TusPomosSpider(Spider):
name = 'TUSP'
allowed_domains = ['tuscc.si']
start_urls = ["https://www.tuscc.si/produkti/instant-juhe"]
download_delay = 5.0
headers = {
'Origin': 'https://www.tuscc.si',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'en-GB,en;q=0.9,nl-BE;q=0.8,nl;q=0.7,ro-RO;q=0.6,ro;q=0.5,en-US;q=0.4',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
'Content-Type': 'application/json; charset=UTF-8',
'Accept': 'application/json, text/javascript, */*; q=0.01',
'X-Requested-With': 'XMLHttpRequest',
'Connection': 'keep-alive',
'Referer': 'https://www.tuscc.si/produkti/instant-juhe',
}
def parse(self, response):
number_of_pages = int(response.xpath(
'//*[@class="paginationHolder"]//@data-size').extract_first())
number_per_page = int(response.xpath(
'//*[@name="pageSize"]/*[@selected="selected"]/text()').extract_first())
for page_number in range(0, number_of_pages):
skip = number_per_page * page_number
data = {"action": "loadList",
"filter": {"1005": [], "1006": [], "1007": [], "1009": [],
"1013": []},
"skip": str(skip),
"sort": "none"
}
yield scrapy.Request(
url='https://www.tuscc.si/produkti/instant-juhe',
callback=self.parse_detail,
method='POST',
body=json.dumps(data),
headers=self.headers
)
def parse_detail(self, response):
detail_page = json.loads(response.text)
for product in detail_page['docs']:
item = TusPomosItem()
item['pro_link'] = product['url']
item['pro_name'] = product['title']
yield item
这是分页的一个很棒的xpath示例。我已经导入了它,并编写了parse details函数。但是我得到的输出是spider刚刚爬网,没有爬网。这里是2019-07-23 16:13:29[scrapy.core.engine]调试:爬网(200)(referer:None)2019-07-23 16:13:35[scrapy.core.engine]调试:爬网(200)(推荐人:无)在那之后,8个重复的带有url的referer最好用包含的解析详细信息编辑您的问题,或者打开一个新问题,这样我们可以检查我将编辑问题,另外添加解析详细信息编辑我的回复,以显示如何在页面上获得产品的url和标题,希望它能帮助您ps,非常感谢。同时,如果你被介绍,你能回答我吗,我能从整个网站获得所有的请求有效载荷吗?