3

试图从公共搜索中自动获取搜索结果，但遇到了一些麻烦。URL 的格式为

http://www.website.com/search.aspx?keyword=#&&page=1&sort=Sorting

当我单击页面时，访问此页面后，它会稍微更改为

http://www.website.com/search.aspx?keyword=#&&sort=Sorting&page=2

问题是，如果我随后尝试直接访问第二个链接而不首先访问第一个链接，我将被重定向到第一个链接。我目前的尝试是在 scrapy 中定义一长串 start_urls。

class websiteSpider(BaseSpider):
    name = "website"
    allowed_domains = ["website.com"]
    baseUrl = "http://www.website.com/search.aspx?keyword=#&&sort=Sorting&page="
    start_urls = [(baseUrl+str(i)) for i in range(1,1000)]

目前，这段代码只是一遍又一遍地访问第一页。我觉得这可能很简单，但我不太清楚如何解决这个问题。

更新：对此进行了一些调查，并发现该站点通过使用 __doPostBack(arg1, arg2) 向上一页发送 POST 请求来更新每个页面。我现在的问题是我究竟如何使用scrapy来模仿这个POST请求。我知道如何发出 POST 请求，但不知道如何将我想要的参数传递给它。

第二次更新：我已经取得了很大的进步！我认为......我查看了示例和文档，最终将这个版本的我认为应该做的伎俩拼凑在一起：

def start_requests(self):
    baseUrl = "http://www.website.com/search.aspx?keyword=#&&sort=Sorting&page="
    target = 'ctl00$empcnt$ucResults$pagination'
    requests = []
    for i in range(1, 5):
        url = baseUrl + str(i)
        argument = str(i+1)
        data = {'__EVENTTARGET': target, '__EVENTARGUMENT': argument}
        currentPage = FormRequest(url, data)
        requests.append(currentPage)
    return requests

这个想法是这样对待 POST 请求就像一个表单并相应地更新。但是，当我实际尝试运行它时，我得到以下回溯（为简洁起见）：

2013-03-22 04:03:03-0400 [guru] ERROR: Unhandled error on engine.crawl()
dfd.addCallbacks(request.callback or spider.parse, request.errback)
      File "/usr/lib/python2.7/dist-packages/twisted/internet/defer.py", line 280, in addCallbacks
        assert callable(callback)
    exceptions.AssertionError: 

2013-03-22 04:03:03-0400 [-] ERROR: Unhandled error in Deferred:
2013-03-22 04:03:03-0400 [-] Unhandled Error
    Traceback (most recent call last):
    Failure: scrapy.exceptions.IgnoreRequest: Skipped (request already seen)

将问题更改为更针对这篇文章的内容。

想法？

PS 当第二个错误发生时，scrapy 无法清理关闭，我必须发送 SIGINT 两次才能让事情真正结束。

4

1 回答 1

2

FormRequest在构造函数中没有位置参数formdata：

class FormRequest(Request):
    def __init__(self, *args, **kwargs):
        formdata = kwargs.pop('formdata', None)

所以你实际上不得不说formdata=：

requests.append(FormRequest(url, formdata=data))
于 2013-03-22T18:37:14.977 回答