python - Scrapy不返回特定标签的结果

Question

我今天刚开始使用 Scrapy，但是我之前有 javascript 的编程经验，所以请多多包涵，我会给出一个非常详细的解释：

我使用 gramReport 来分析一些 instagram 个人资料（提取关注者数量、帖子数量和其他数据。），因为我有一个不同个人资料的列表，我想自动执行此任务；

最后的想法是这样的：

1. Use Scrapy to crawl a specific profile ( so append 'profile' to 'gramreport.com/user/' )
2. Extract specific data and save it in a csv

我认为 python 会完成这项工作，开始搜索并找到了 scrapy ，文档对我来说是完美的。 https://doc.scrapy.org/en/latest/intro/tutorial.html

我决定像教程一样尝试一下，我创建了一个蜘蛛：

import scrapy
class QuotesSpider(scrapy.Spider):
name = "profile"
start_urls = [
    'http://gramreport.com/user/cats.gato'
]

def parse(self, response):
    page = response.url.split("/")[-1]
    filename = 'profile-%s.html' % page
    with open(filename, 'wb') as f:
        f.write(response.body)

所以scrapy crawl profile完美地工作我无法获得 html 页面。接下来我尝试使用外壳：

scrapy shell 'http://gramreport.com/user/cats.gato'

太好了，我可以通过 Xpath 或 CSS 获取一些数据：

//Followers:
response.xpath('/html/body/div[3]/table[1]/tr/td[2]/table/tr[1]/td/div/table/tr[2]/td/text()').extract()

//Posts:
response.xpath('/html/body/div[3]/table[1]/tr/td[2]/table/tr[3]/td/div/table/tr[2]/td/text()').extract()

//Page Name:
response.xpath('/html/body/div[3]/table[1]/tr/td[1]/div/div/div/span[2]/text()').extract()

//Average Likes:
response.xpath('/html/body/div[3]/div[1]/div/div/div[1]/div/text()').extract()

//Average Comments:
response.xpath('/html/body/div[3]/div[1]/div/div/div[2]/div/text()').extract()

我得到的大多数结果都有 u' 字符和其他正则表达式，[u'\n\t\t\t252,124\t\t']但我认为已经有回答的帖子。

但是，有些数据我无法提取，我根本没有得到任何结果；

首先是Recent Interactions表格，这是因为 AJAX 而发生的，但我就是不明白如何修复它；也许使用延迟？

第二个Top Hashtags和Top User Mentions表；

他们的 Xpath 不起作用，css 选择器也不起作用；我不知道为什么。

标签： pythonxpathweb-scrapingscrapyweb-crawler

Answer 1

页面加载时会发出 AJAX 请求。

如果您在加载页面时打开 Web 检查器，您将看到如下 AJAX 请求：

如果您 ctrl+f 在页面源中此请求中使用的某些 id，您将看到一些 javascript，例如：

您可以使用 scrapy 找到此 url 并转发请求：

def parse(self, response):

    script = response.xpath("//script[contains(text(), 'getresultsb']")
    url = script.re('url:"(.+?)"')  # capture between ""
    headers = {
        'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'X-Requested-With': 'XMLHttpRequest',
    }
    yield Request(url, 
        method='POST', 
        body='dmn=ok', 
        callback=self.parse_recent
        headers=headers,
    )

def parse_recent(self, response):
    # parse recent data here