6

我正在尝试抓取这个网站： http ://www.aido.com/eshop/cl_2-c_189-p_185/stationery/pens.html

我可以获取此页面中的所有产品，但是如何在页面底部发出“查看更多”链接的请求？

到目前为止，我的代码是：

rules = (
    Rule(SgmlLinkExtractor(restrict_xpaths='//li[@class="normalLeft"]/div/a',unique=True)),
    Rule(SgmlLinkExtractor(restrict_xpaths='//div[@id="topParentChilds"]/div/div[@class="clm2"]/a',unique=True)),
    Rule(SgmlLinkExtractor(restrict_xpaths='//p[@class="proHead"]/a',unique=True)),
    Rule(SgmlLinkExtractor(allow=('http://[^/]+/[^/]+/[^/]+/[^/]+$', ), deny=('/about-us/about-us/contact-us', './music.html',  ) ,unique=True),callback='parse_item'),
)

有什么帮助吗？

4

1 回答 1

11

首先，你应该看看这个关于如何处理抓取 ajax 动态加载的内容的线程： Can scrapy 用于从使用 AJAX 的网站中抓取动态内容？

因此，单击“查看更多”按钮会触发 XHR 请求：

http://www.aido.com/eshop/faces/tiles/category.jsp?q=&categoryID=189&catalogueID=2&parentCategoryID=185&viewType=grid&bnm=&atmSize=&format=&gender=&ageRange=&actor=&director=&author=&region=&compProductType=&compOperatingSystem=&compScreenSize=&compCpuSpeed=&compRam=&compGraphicProcessor=&compDedicatedGraphicMemory=&mobProductType=&mobOperatingSystem=&mobCameraMegapixels=&mobScreenSize=&mobProcessor=&mobRam=&mobInternalStorage=&elecProductType=&elecFeature=&elecPlaybackFormat=&elecOutput=&elecPlatform=&elecMegaPixels=&elecOpticalZoom=&elecCapacity=&elecDisplaySize=&narrowage=&color=&prc=&k1=&k2=&k3=&k4=&k5=&k6=&k7=&k8=&k9=&k10=&k11=&k12=&startPrize=&endPrize=&newArrival=&entityType=&entityId=&brandId=&brandCmsFlag=&boutiqueID=&nmt=&disc=&rat=&cts=empty&isBoutiqueSoldOut=undefined&sort=12&isAjax=true&hstart=24&targetDIV=searchResultDisplay

返回text/html接下来的 24 个项目。注意这个hstart=24参数：第一次点击“查看更多”它等于 24，第二次 - 48 等等。这应该是你的救命稻草。

现在，您应该在您的蜘蛛中模拟这些请求。推荐的方法是实例化 scrapy 的Request对象，提供回调，您将在其中提取数据。

希望有帮助。

于 2013-04-21T17:01:49.650 回答