时间戳

首页 > 解决方案 > Scrapy Splash 无法获取 React 站点的数据

python - Scrapy Splash 无法获取 React 站点的数据

问题描述

我需要刮掉这个网站。是用 React 制作的，所以看起来。然后我尝试用scrapy-splash提取数据。例如，我需要带有 class 的“a”元素shelf-product-name。但响应是一个空数组。我wait在大约 5 秒内使用了这个论点。但我只得到一个空数组。

def start_requests(self):
        yield SplashRequest(
            url='https://www.jumbo.cl/lacteos-y-bebidas-vegetales/leches-blancas?page=6',
            callback=self.parse,
            args={'wait':5}
        )

def parse(self,response):
        print(response.css("a.shelf-product-name"))

标签： pythonreactjsscrapyscrapy-splash

解决方案

实际上没有必要使用 Scrapy Splash，因为所有必需的数据都存储在<script>原始 html 响应的标签内作为 json 格式的数据：

import scrapy
from scrapy.crawler import CrawlerProcess
import json

class JumboCLSpider(scrapy.Spider):
    name = "JumboCl"
    start_urls = ["https://www.jumbo.cl/lacteos-y-bebidas-vegetales/leches-blancas?page=6"]

    def parse(self,response):
        script = [script for script in response.css("script::text") if "window.__renderData" in script.extract()]
        if script:
            script = script[0]
        data = script.extract().split("window.__renderData = ")[-1]
        json_data = json.loads(data[:-1])
        for plp in json_data["plp"]["plp_products"]:
            for product in plp["data"]:
                #yield {"productName":product["productName"]} # data from css:  a.shelf-product-name
                yield product

if __name__ == "__main__":
    c = CrawlerProcess({'USER_AGENT':'Mozilla/5.0'})
    c.crawl(JumboCLSpider)
    c.start()

推荐阅读