Python 用scrapy刮无限滚动的网站
我想用scrapy从网站上抓取通话记录 爬行器的行为应如下:1)开始时,提供了公司代码列表Python 用scrapy刮无限滚动的网站,python,scrapy,Python,Scrapy,我想用scrapy从网站上抓取通话记录 爬行器的行为应如下:1)开始时,提供了公司代码列表ccodes。2) 对于每个公司,所有可用的成绩单URL都从中解析。3) 从每个转录本url解析相关内容 困难在于它包含无限滚动机制。因此,我们的想法是使用javascript调用的page=1,2,3..逐个迭代json文件。json文件包含键html和count。键html应用于解析转录本URL,键count应用于在没有其他URL时停止。其标准是count=0 这是到目前为止我的代码。我已经成功地解析了
ccodes
。2) 对于每个公司,所有可用的成绩单URL都从中解析。3) 从每个转录本url解析相关内容
困难在于它包含无限滚动机制。因此,我们的想法是使用javascript调用的page=1,2,3..
逐个迭代json文件。json文件包含键html
和count
。键html
应用于解析转录本URL,键count
应用于在没有其他URL时停止。其标准是count=0
这是到目前为止我的代码。我已经成功地解析了每个公司代码的第一个json页面。但我不知道如何迭代json文件并在没有更多URL时停止
import scrapy
import re
import json
from scrapy.http import FormRequest
from scrapy.selector import Selector
class QuotesSpider(scrapy.Spider):
name = "quotes"
start_urls = ["https://seekingalpha.com/account/login"]
custom_settings = { 'DOWNLOAD_DELAY': 2 }
loginData = {
'slugs[]': "",
'rt': "",
'user[url_source]': 'https://seekingalpha.com/account/login',
'user[location_source]': 'orthodox_login',
'user[email]': 'abc',
'user[password]': 'xyz'
}
def parse(self, response):
return scrapy.FormRequest.from_response(
response = response,
formdata = self.loginData,
formid = 'orthodox_login',
callback = self.verify_login
)
def verify_login(self, response):
pass
return self.make_initial_requests()
def make_initial_requests(self):
ccodes = ["A", "AB", "GOOGL"]
for ccode in ccodes:
yield scrapy.Request(
url = "https://seekingalpha.com/symbol/"+ccode+"/earnings/more_transcripts?page=1",
callback = self.parse_link_page,
meta = {"ccode": ccode, "page": 1}
)
def parse_link_page(self, response):
ccode = response.meta.get("ccode")
page = response.meta.get("page")
data = json.loads(response.text)
condition = "//a[contains(text(),'Results - Earnings Call Transcript')]/@href"
transcript_urls = Selector(text=data["html"]).xpath(condition).getall()
for transcript_url in transcript_urls:
yield scrapy.Request(
url = "https://seekingalpha.com"+transcript_url,
callback = self.save_contents,
meta = {"ccode": ccode}
)
def save_contents(self, response):
pass
您应该能够在没有身份验证的情况下执行代码。预期结果是对中的所有URL进行爬网。因此,有必要使用
page=1,2,3..
进行访问,直到解析所有可用的URL 在成绩单URL中循环后添加以下内容似乎有效。如果在当前页面上找到了抄本URL,它将生成一个带有回调的新请求,以解析链接页面
if transcript_urls:
next_page = page + 1
parsed_url = urlparse(response.url)
new_query = urlencode({"page": next_page})
next_url = urlunparse(parsed_url._replace(query=new_query))
yield scrapy.Request(
url=next_url,
callback=self.parse_link_page,
meta={"ccode": ccode, "page": next_page},
)