Scrapy mit Selen das Crawlen aber nicht kratzen

Ich gelesen habe, alle threads auf mit scrapy für die AJAX-Seiten und installiert Selen webdrive um die Aufgabe zu vereinfachen, meine Spinne kann teilweise kriechen, aber bekomme keine Daten in meine Artikel.

Meine Ziele sind:

  1. Kriechen aus auf dieser Seite zu auf dieser Seite

  2. Kratzen jedes Element(post)'s:

    author_name (xpath:/html/body/div[8]/div/div[1]/div[3]/div[3]/ul/li[2]/div[2]/span[2]/ul/li[3]/a/text())
author_page_url (xpath:/html/body/div[8]/div/div[1]/div[3]/div[3]/ul/li[2]/div[2]/span[2]/ul/li[3]/a/@href)
post_title (xpath://a[@class="title_txt"])
post_page_url (xpath://a[@class="title_txt"]/@href)
post_text (xpath on a separate post page: //div[@id="a_NMContent/text()")

Dies ist mein Affen-code (da bin ich nur so meine ersten Schritte in Python als eine aufstrebende natural language processing student, der einen Abschluss in Linguistik in der Vergangenheit):

import scrapy
import time
from selenium import webdriver
from scrapy.contrib.linkextractors.lxmlhtml import LxmlLinkExtractor
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import XPathSelector

class ItalkiSpider(CrawlSpider):
    name = "italki"
    allowed_domains = ['italki.com']
    start_urls = ['http://www.italki.com/entries/korean']
    # not sure if the rule is set correctly
    rules = (Rule(LxmlLinkExtractor(allow="\entry"), callback = "parse_post", follow = True),)
    def __init__(self):
        self.driver = webdriver.Firefox()

    def parse(self, response):
        # adding necessary search parameters to the URL
        self.driver.get(response.url+"#language=korean&author-language=russian&marks-min=-5&sort=1&page=1")
        # pressing the "Show More" button at the bottom of the search results page to show the next 15 posts, when all results are loaded to the page, the button disappears
        more_btn = self.driver.find_element_by_xpath('//a[@id="a_show_more"]')

        while more_btn:
            more_btn.click()
            # sometimes waiting for 5 sec made spider close prematurely so keeping it long in case the server is slow
            time.sleep(10)

        # here is where the problem begins, I am making a list of links to all the posts on the big page, but I am afraid links will contain only the first link, because selenium doesn't do the multiple selection as one would expect from this xpath...how can I grab all the links and put them in the links list (and should I?)
        links=self.driver.find_elements_by_xpath('/html/body/div[8]/div/div[1]/div[3]/div[3]/ul/li/div[2]/a')
        for link in links:
            link.click()
            time.sleep(3)

    # this is the function for parsing individual posts, called back by the *parse* method as specified in the rule of the spider; if it is correct, it should have saved at least one post into an item... I don't really understand how and where this callback function gets the response from the new page (the page of the post in this case)...is it automatically loaded to drive and then passed on to the callback function as soon as selenium has clicked on the link (link.click())? or is it all total nonsense...
    def parse_post(self, response):
        hxs = Selector(response)
        item = ItalkiItem()
        item["post_item"] = hxs.xpath('//div [@id="a_NMContent"]/text()').extract()
        return item
InformationsquelleAutor Yury Kim | 2014-12-20
  1. 6

    Lassen Sie uns darüber nachdenken, es ein bisschen anders:

    • öffnen Sie die Seite im browser und klicken Sie auf "Zeige Mehr", bis Sie die gewünschte Seite
    • initialisieren einer scrapy TextResponse mit den aktuellen Quelltext der Seite (mit allen notwendigen Beiträge geladen)
    • für jeden post initialisieren Item -, Rendite-eine Request auf die post-Seite und pass ein item Beispiel von einer Anfrage in eine Antwort in der meta Wörterbuch

    Notizen und änderungen, die ich einführen:

    Code:

    import scrapy
from scrapy import signals
from scrapy.http import TextResponse 
from scrapy.xlib.pydispatch import dispatcher

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


class ItalkiItem(scrapy.Item):
    title = scrapy.Field()
    url = scrapy.Field()
    text = scrapy.Field()


class ItalkiSpider(scrapy.Spider):
    name = "italki"
    allowed_domains = ['italki.com']
    start_urls = ['http://www.italki.com/entries/korean']

    def __init__(self):
        self.driver = webdriver.Firefox()
        dispatcher.connect(self.spider_closed, signals.spider_closed)

    def spider_closed(self, spider):
        self.driver.close()

    def parse(self, response):
        # selenium part of the job
        self.driver.get('http://www.italki.com/entries/korean')
        while True:
            more_btn = WebDriverWait(self.driver, 10).until(
                EC.visibility_of_element_located((By.ID, "a_show_more"))
            )

            more_btn.click()

            # stop when we reach the desired page
            if self.driver.current_url.endswith('page=52'):
                break

        # now scrapy should do the job
        response = TextResponse(url=response.url, body=self.driver.page_source, encoding='utf-8')
        for post in response.xpath('//ul[@id="content"]/li'):
            item = ItalkiItem()
            item['title'] = post.xpath('.//a[@class="title_txt"]/text()').extract()[0]
            item['url'] = post.xpath('.//a[@class="title_txt"]/@href').extract()[0]

            yield scrapy.Request(item['url'], meta={'item': item}, callback=self.parse_post)

    def parse_post(self, response):
        item = response.meta['item']
        item["text"] = response.xpath('//div[@id="a_NMContent"]/text()').extract()
        return item

    Dies ist etwas, sollten Sie als Basis benutzen, code verbessern und füllen Sie alle anderen Felder, wie author oder author_url. Hoffe, das hilft.

    • danke, aber leider bekomme ich jetzt (Frage mich, was ich falsch gemacht habe) raise TypeError ("Anforderungs-url muss in str oder unicode, bekam %s:' % type (url).__name__) Ausnahmen.TypeError: Request-url muss in str oder unicode, hab die Liste:
    • sicher, behoben.
    InformationsquelleAutor alecxe
Schreibe einen Kommentar