23

我正在使用scrapy从网站筛选数据。但是，我想要的数据不在 html 本身中，而是来自 javascript。所以，我的问题是：

如何获取此类案例的值（文本值）？

这是我要筛选的网站： https ://www.mcdonalds.com.sg/locate-us/

我要获取的属性：地址、联系方式、营业时间。

如果您在 chrome 浏览器中执行“右键单击”、“查看源代码”，您将看到这些值本身在 HTML 中不可用。

编辑

抱歉，保罗，我照你说的做了，找到admin-ajax.php并看到了尸体，但是，我现在真的被困住了。

如何从 json 对象中检索值并将其存储到我自己的变量字段中？如果你能分享如何为公众和那些刚开始使用scrapy的人只做一个属性，那就太好了。

到目前为止，这是我的代码

项目.py 

class McDonaldsItem(Item):
name = Field()
address = Field()
postal = Field()
hours = Field()

麦当劳.py

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
import re

from fastfood.items import McDonaldsItem

class McDonaldSpider(BaseSpider):
name = "mcdonalds"
allowed_domains = ["mcdonalds.com.sg"]
start_urls = ["https://www.mcdonalds.com.sg/locate-us/"]

def parse_json(self, response):

    js = json.loads(response.body)
    pprint.pprint(js)

抱歉长时间编辑，简而言之，我如何将 json 值存储到我的属性中？例如

***item['address'] = * 如何检索 ****

PS，不确定这是否有帮助，但是，我在 cmd 行上运行这些脚本使用

scrapy crawl mcdonalds -o McDonalds.json -t json （将我所有的数据保存到一个 json 文件中）

我对我的感激之情怎么强调都不为过。我知道问你这个有点不合理，即使你没有时间也完全可以。

4

2 回答 2

21

（我将此发布到scrapy-users邮件列表，但根据 Paul 的建议，我将其发布在这里，因为它通过shell命令交互补充了答案。）

通常，使用第三方服务来呈现一些数据可视化（地图、表格等）的网站必须以某种方式发送数据，并且在大多数情况下，这些数据可以从浏览器访问。

对于这种情况，检查（即浏览浏览器发出的请求）显示数据是从 POST 请求加载到https://www.mcdonalds.com.sg/wp-admin/admin-ajax.php

所以，基本上你已经准备好了所有你想要的 json 格式的数据以供使用。

Scrapyshell在编写蜘蛛之前提供了非常方便思考者与网站的命令：

$ scrapy shell https://www.mcdonalds.com.sg/locate-us/
2013-09-27 00:44:14-0400 [scrapy] INFO: Scrapy 0.16.5 started (bot: scrapybot)
...

In [1]: from scrapy.http import FormRequest

In [2]: url = 'https://www.mcdonalds.com.sg/wp-admin/admin-ajax.php'

In [3]: payload = {'action': 'ws_search_store_location', 'store_name':'0', 'store_area':'0', 'store_type':'0'}

In [4]: req = FormRequest(url, formdata=payload)

In [5]: fetch(req)
2013-09-27 00:45:13-0400 [default] DEBUG: Crawled (200) <POST https://www.mcdonalds.com.sg/wp-admin/admin-ajax.php> (referer: None)
...

In [6]: import json

In [7]: data = json.loads(response.body)

In [8]: len(data['stores']['listing'])
Out[8]: 127

In [9]: data['stores']['listing'][0]
Out[9]: 
{u'address': u'678A Woodlands Avenue 6<br/>#01-05<br/>Singapore 731678',
 u'city': u'Singapore',
 u'id': 78,
 u'lat': u'1.440409',
 u'lon': u'103.801489',
 u'name': u"McDonald's Admiralty",
 u'op_hours': u'24 hours<br>\r\nDessert Kiosk: 0900-0100',
 u'phone': u'68940513',
 u'region': u'north',
 u'type': [u'24hrs', u'dessert_kiosk'],
 u'zip': u'731678'}

简而言之：在您的蜘蛛中，您必须返回FormRequest(...)上述内容，然后在回调中加载 json 对象response.body，最后为列表中的每个商店的数据data['stores']['listing']创建一个具有所需值的项目。

像这样的东西：

class McDonaldSpider(BaseSpider):
    name = "mcdonalds"
    allowed_domains = ["mcdonalds.com.sg"]
    start_urls = ["https://www.mcdonalds.com.sg/locate-us/"]

    def parse(self, response):
        # This receives the response from the start url. But we don't do anything with it.
        url = 'https://www.mcdonalds.com.sg/wp-admin/admin-ajax.php'
        payload = {'action': 'ws_search_store_location', 'store_name':'0', 'store_area':'0', 'store_type':'0'}
        return FormRequest(url, formdata=payload, callback=self.parse_stores)

    def parse_stores(self, response):
        data = json.loads(response.body)
        for store in data['stores']['listing']:
            yield McDonaldsItem(name=store['name'], address=store['address'])
于 2013-09-27T12:51:59.190 回答
7

当您在您选择的浏览器中打开https://www.mcdonalds.com.sg/locate-us/时，打开“检查”工具（希望它有一个，例如 Chrome 或 Firefox），然后查找“网络“ 标签。

您可以进一步过滤“XHR”(XMLHttpRequest) 事件，您将看到对该正文的POST请求https://www.mcdonalds.com.sg/wp-admin/admin-ajax.php

action=ws_search_store_location&store_name=0&store_area=0&store_type=0

对该 POST 请求的响应是一个 JSON 对象，其中包含您想要的所有信息

import json
import pprint
...
class MySpider(BaseSpider):
...
    def parse_json(self, response):

        js = json.loads(response.body)
        pprint.pprint(js)

这将输出如下内容：

{u'flagicon': u'https://www.mcdonalds.com.sg/wp-content/themes/mcd/images/storeflag.png',
 u'stores': {u'listing': [{u'address': u'678A Woodlands Avenue 6<br/>#01-05<br/>Singapore 731678',
                           u'city': u'Singapore',
                           u'id': 78,
                           u'lat': u'1.440409',
                           u'lon': u'103.801489',
                           u'name': u"McDonald's Admiralty",
                           u'op_hours': u'24 hours<br>\r\nDessert Kiosk: 0900-0100',
                           u'phone': u'68940513',
                           u'region': u'north',
                           u'type': [u'24hrs', u'dessert_kiosk'],
                           u'zip': u'731678'},
                          {u'address': u'383 Bukit Timah Road<br/>#01-09B<br/>Alocassia Apartments<br/>Singapore 259727',
                           u'city': u'Singapore',
                           u'id': 97,
                           u'lat': u'1.319752',
                           u'lon': u'103.827398',
                           u'name': u"McDonald's Alocassia",
                           u'op_hours': u'Daily: 0630-0100',
                           u'phone': u'68874961',
                           u'region': u'central',
                           u'type': [u'24hrs_weekend',
                                     u'drive_thru',
                                     u'mccafe'],
                           u'zip': u'259727'},

                        ...
                          {u'address': u'60 Yishuan Avenue 4 <br/>#01-11<br/><br/>Singapore 769027',
                           u'city': u'Singapore',
                           u'id': 1036,
                           u'lat': u'1.423924',
                           u'lon': u'103.840628',
                           u'name': u"McDonald's Yishun Safra",
                           u'op_hours': u'24 hours',
                           u'phone': u'67585632',
                           u'region': u'north',
                           u'type': [u'24hrs',
                                     u'drive_thru',
                                     u'live_screening',
                                     u'mccafe',
                                     u'bday_party'],
                           u'zip': u'769027'}],
             u'region': u'all'}}

我会让你提取你想要的字段。

在您使用 Scrapy 发送的 FormRequest() 中，您可能需要添加一个“X-Requested-With: XMLHttpRequest”标头（如果您在检查工具中查看请求标头，您的浏览器会发送该标头）

于 2013-09-26T07:35:16.370 回答