单击 Scrapy 中的按钮

Posted 2023-02-15

【中文标题】单击 Scrapy 中的按钮

【英文标题】：Click a Button in Scrapy

【发布时间】：2011-10-04 16:19:33

【问题描述】：

我正在使用 Scrapy 抓取网页。我需要的一些信息只有在你点击某个按钮时才会弹出（当然点击后html代码中也会出现）。

我发现 Scrapy 可以处理表单（如登录），如 here 所示。但问题是没有表格可以填写，所以这不是我需要的。

我怎样才能简单地点击一个按钮，然后显示我需要的信息？

我必须使用像 mechanize 或 lxml 这样的外部库吗？

【参考方案1】：

Scrapy 无法解释 javascript。

如果您绝对必须与页面上的 javascript 交互，那么您希望使用 Selenium。

如果使用 Scrapy，问题的解决方案取决于按钮在做什么。

如果只是显示之前隐藏的内容，你可以毫无问题地抓取数据，它不会出现在浏览器中也没关系，HTML 仍然存在。

如果它在按下按钮时通过 AJAX 动态获取内容，最好的办法是使用 Firebug 等工具查看按下按钮时发出的 HTTP 请求。然后，您可以直接从该 URL 请求数据。

我必须使用像 mechanize 或 lxml 这样的外部库吗？

如果您想解释 javascript，是的，您需要使用不同的库，尽管这两个库都不符合要求。他们都不知道任何关于 javascript 的事情。硒是要走的路。

如果你能提供你正在抓取的页面的 URL，我可以看看。

【讨论】：

这不是我实际问题的真正答案，但它仍然解决了我的问题。我在 Chrome 中跟踪了站点请求，并找到了一个链接，该链接在单独的页面中显示了信息。谢谢！但我不会将您的答案标记为已接受，因为其他人可能确实需要单击按钮。

@naeg 我认为答案正确地总结了它。您不能使用 Scrapy 单击按钮。您可以发送请求并接收响应。您可以使用单独的 javascript 引擎来解释响应。

看来 Acorn 编辑了他的答案，现在它是对我的问题的完整且被接受的答案:)

你也可以使用 Scrapy-splash : blog.scrapinghub.com/2015/03/02/…

【参考方案2】：

Selenium 浏览器提供了非常好的解决方案。这是一个例子（pip install -U selenium）：

from selenium import webdriver

class northshoreSpider(Spider):
    name = 'xxx'
    allowed_domains = ['www.example.org']
    start_urls = ['https://www.example.org']

    def __init__(self):
        self.driver = webdriver.Firefox()

    def parse(self,response):
            self.driver.get('https://www.example.org/abc')

            while True:
                try:
                    next = self.driver.find_element_by_xpath('//*[@id="BTN_NEXT"]')
                    url = 'http://www.example.org/abcd'
                    yield Request(url,callback=self.parse2)
                    next.click()
                except:
                    break

            self.driver.close()

    def parse2(self,response):
        print 'you are here!'

【讨论】：

如果您在通过 selenium 单击按钮后生成 url 到 parse2，它是否会通过单击显示的内容传递 html？

@jose 我不确定，但应该很容易测试

【参考方案3】：

要正确和充分地使用 JavaScript，您需要一个完整的浏览器引擎，而这只有使用 Watir/WatiN/Selenium 等才能实现。

【参考方案4】：

虽然这是一个旧线程，但我发现使用 Helium（基于 Selenium 构建）非常有用，并且比使用 Selenium 更容易/简单得多。它将类似于以下内容：

from helium import *

start_firefox('your_url')
s = S('path_to_your_button')
click(s)
...