用 Scrapy 和 Selenium 进行刮擦

Posted 2023-02-23

【中文标题】用 Scrapy 和 Selenium 进行刮擦

【英文标题】：Scraping with Scrapy and Selenium

【发布时间】：2013-09-21 02:11:06

【问题描述】：

我有一个爬虫爬虫，它爬取一个通过页面上的 javascript 重新加载内容的网站。为了移动到下一页进行抓取，我一直在使用 Selenium 点击网站顶部的月份链接。

问题是，即使我的代码按预期移动通过每个链接，蜘蛛只是抓取第一个月（9 月）的月数数据并返回此重复数据。

我该如何解决这个问题？

from selenium import webdriver

class GigsInScotlandMain(InitSpider):
        name = 'gigsinscotlandmain'
        allowed_domains = ["gigsinscotland.com"]
        start_urls = ["http://www.gigsinscotland.com"]


    def __init__(self):
        InitSpider.__init__(self)
        self.br = webdriver.Firefox()

    def parse(self, response):
        hxs = htmlXPathSelector(response)
        self.br.get(response.url)
        time.sleep(2.5)
        # Get the string for each month on the page.
        months = hxs.select("//ul[@id='gigsMonths']/li/a/text()").extract()

        for month in months:
            link = self.br.find_element_by_link_text(month)
            link.click()
            time.sleep(5)

            # Get all the divs containing info to be scraped.
            listitems = hxs.select("//div[@class='listItem']")
            for listitem in listitems:
                item = GigsInScotlandMainItem()
                item['artist'] = listitem.select("div[contains(@class, 'artistBlock')]/div[@class='artistdiv']/span[@class='artistname']/a/text()").extract()
                #
                # Get other data ...
                #
                yield item

【参考方案1】：

问题是您正在重用为初始响应定义的HtmlXPathSelector。从selenium浏览器重新定义source_code：

...
for month in months:
    link = self.br.find_element_by_link_text(month)
    link.click()
    time.sleep(5)

    hxs = HtmlXPathSelector(self.br.page_source)

    # Get all the divs containing info to be scraped.
    listitems = hxs.select("//div[@class='listItem']")
...

【讨论】：

非常有帮助。谢谢！