如何使用 Scrapy FormRequest 在分页的 .asp 站点上模拟下一页链接请求
Posted
技术标签:
【中文标题】如何使用 Scrapy FormRequest 在分页的 .asp 站点上模拟下一页链接请求【英文标题】:How do I use Scrapy FormRequest to simulate next page link request on paginated .asp site 【发布时间】:2018-07-04 02:01:12 【问题描述】:我在抓取此页面时遇到问题:http://maps.kalkaskacounty.net/propertysearch.asp?PDBsearch=setdo
我的抓取工具获取子页面的所有链接并正确抓取这些链接(25 个结果),但没有正确提交表单请求以获取接下来要抓取的 25 个结果(等等)。我将不胜感激任何人都可以提供的帮助。谢谢!
import scrapy
class ParcelScraperSpider(scrapy.Spider):
name = 'parcel_scraper'
start_urls = ['http://maps.kalkaskacounty.net/propertysearch.asp?PDBsearch=setdo',
'http://maps.kalkaskacounty.net/,']
def parse(self,response):
for href in response.css('a.PDBlistlink::attr(href)'):
yield response.follow(href, self.parse_details)
def next_group(self,response):
return scrapy.FormRequest.from_response(
response,
formdata='DBVpage':'next',
formname='PDBquery',
callback=self.parse,
)
def parse_details(self,response):
yield
'owner_name': response.xpath('//td[contains(text(),"Owner Name")]/following::td[1]/text()').extract_first(),
'jurisdiction': response.xpath('//td[contains(text(),"Jurisdiction")]/following::td[1]/text()').extract_first(),
'property_street': response.xpath('//td[contains(text(),"Property Address")]/following::td[1]/div[1]/text()').extract_first(),
'property_csz': response.xpath('//td[contains(text(),"Property Address")]/following::td[1]/div[2]/text()').extract_first(),
'owner_street': response.xpath('//td[contains(text(),"Owner Address")]/following::td[1]/div[1]/text()').extract_first(),
'owner_csz': response.xpath('//td[contains(text(),"Owner Address")]/following::td[1]/div[2]/text()').extract_first(),
'current_tax_value': response.xpath('//td[contains(text(),"Current Taxable Value")]/following::td[1]/text()').extract_first(),
'school_district': response.xpath('//td[contains(text(),"School District")]/following::td[1]/text()').extract_first(),
'current_assess': response.xpath('//td[contains(text(),"Current Assessment")]/following::td[1]/text()').extract_first(),
'current_sev': response.xpath('//td[contains(text(),"Current S.E.V.")]/following::td[1]/text()').extract_first(),
'current_pre': response.xpath('//td[contains(text(),"Current P.R.E.")]/following::td[1]/text()').extract_first(),
'prop_class': response.xpath('//td[contains(text(),"Current Property Class")]/following::td[1]/text()').extract_first(),
'tax_desc': response.xpath('//h3[contains(text(),"Tax Description")]/following::div/text()').extract_first()
【问题讨论】:
【参考方案1】:通过查看您的代码,您永远不会调用“next_group”def 类。您调用了“parse”和“parse_details”,但未能回调 next_group。
这是使用元标记可以帮助您实现您想要做的事情的地方: ***只是一个例子;不恢复您的代码:
# -*- coding: utf-8 -*-
import scrapy
class YourSpiderClassHere(scrapy.Spider):
name = "..."
allowed_domains = ["SomeSite.com"]
start_urls = ['https://somesite.com/myScrappingSite']
def parse(self, response):
listings = response.xpath('//li[@class="result-row"]')
for listing in listings:
date = listing.xpath('.//*[@class="result-date"]/@datetime').extract_first()
link = listing.xpath('.//a[@class="result-title hdrlnk"]/@href').extract_first()
text = listing.xpath('.//a[@class="result-title hdrlnk"]/text()').extract_first()
yield scrapy.Request(link,
callback=self.parse_listing,
meta='date': date,
'link': link,
'text': text)
next_page_url = response.xpath('//a[text()="next > "]/@href').extract_first()
if next_page_url:
yield scrapy.Request(response.urljoin(next_page_url), callback=self.parse)
def parse_listing(self, response):
date = response.meta['date']
link = response.meta['link']
text = response.meta['text']
compensation = response.xpath('//*[@class="attrgroup"]/span[1]/b/text()').extract_first()
type = response.xpath('//*[@class="attrgroup"]/span[2]/b/text()').extract_first()
address = response.xpath('//*[@id="postingbody"]/text()').extract()
yield 'date': date,
'link': link,
'text': text,
'compensation': compensation,
'type': type,
'address': address
【讨论】:
谢谢尼尔。今晚我会尝试根据你的建议更新我的蜘蛛。 我将此添加到我的蜘蛛:next_page = response.css('div.ccrow div.cc2:nth-child(3) a.DBVpagelink::attr(href)').extract_first() if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)
但它没有返回任何其他结果。 response.css('div.ccrow div.cc2:nth-child(3) a.DBVpagelink::attr(href)').extract_first() 返回 "javascript:document.PDBquery.DBVpage.value='next';文档.PDBquery.submit();"对于下一页链接 - 这就是我询问 FormRequest 的原因以上是关于如何使用 Scrapy FormRequest 在分页的 .asp 站点上模拟下一页链接请求的主要内容,如果未能解决你的问题,请参考以下文章
Scrapy:FormRequest 不会自动填充 ASP.net 隐藏字段
在 scrapy shell 中呈现 JS 内容的 FormRequest