【问题标题】:Goes to Next page but it does not scrape its elements using Selenium and Scrapy转到下一页,但它没有使用 Selenium 和 Scrapy 刮掉它的元素
【发布时间】:2021-02-02 15:37:16
【问题描述】:

我正在尝试使用 Selenium 抓取所有页面并单击下一页按钮。但是,当我转到下一页时,URL 不会改变。我可以移动到所有页面,但我只能从第一页抓取项目,不知道如何让它适用于所有页面。 对我应该做什么有什么建议吗?

提前谢谢你!

代码:

class MilieuProperties(scrapy.Spider):
    name = 'milieu_properties'
    start_urls = [
        # FOR SALE
        'https://www.milieuproperties.com/search-results.aspx?paramb=ADVANCE%20SEARCH:%20Province%20(Western%20Cape),%20%20Area%20(Cape%20Town)',
        'https://www.milieuproperties.com/RentalByCategory.aspx'
    ]

    def __init__(self):


        
        #headless options
        options = Options()
        options.add_argument('--no-sandbox')
        options.add_argument("--headless")
        options.add_experimental_option("excludeSwitches", ["enable-automation"])
        options.add_experimental_option('useAutomationExtension', False)
        self.driver = webdriver.Chrome('path',options=options)

    
    def parse(self,response):
        self.driver.get(response.url)
        current_page_number = self.driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text
        while True:
            try: 
                elem = WebDriverWait(self.driver, 10).until(EC.element_to_be_clickable((By.XPATH, '//*[@id="ContentPlaceHolder1_lvDataPager1"]/a[text()="Next" and not(@class)]')))
                elem.click()
            except TimeoutException:
                break
            WebDriverWait(self.driver, 10).until(lambda driver: self.driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text != current_page_number)
            current_page_number = self.driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text


        offering = response.css('span#ContentPlaceHolder1_lblbreadcum::text').get()
        try:
            offering = 'rent' if 'Rental' in offering else 'buy'
        except TypeError:
            offering = 'buy'

        base_link = response.request.url.split('/')
        try:
            base_link = base_link[0] + '//' + base_link[2] + '/'
        except:
            pass

        for p in response.xpath('//div[@class="ct-itemProducts ct-u-marginBottom30 ct-hover"]'):
            link = base_link + p.css('a::attr(href)').get()

            yield scrapy.Request(
                link,
                callback=self.parse_property,
                meta={'item': {
                    'url': link,
                    'offering': offering,
                    }},
            )


    def parse_property(self, response):
        item = response.meta.get('item')
        . . .

【问题讨论】:

  • 最简单的解决方案就是不要将 Scrapy 与 Selenium 一起使用。你可以只用 Selenium 抓取你想要的所有数据
  • @JaSON 我只会对属性页发出 Scrapy 请求,不太明白为什么这不起作用
  • 如果您在 Selenium 中单击 Next 按钮并且 URL 没有更改,您将无法通过使用 Scrapy 请求相同的页面 HTML 来获取所需的数据,您需要将 Cookie 从 Selenium 传递给 Scrapy。但这似乎是多余的操作,因为您已经在所需的页面上,并且可以直接使用 selenium 代码获取数据。简单地说,Scrapy 和 Selenium 之间没有同步,所以当你使用 Selenium 移动到下一页时,Scrapy 并不“知道”它
  • @JaSON 我不确定如何获取所有指向属性页的链接并继续从中收集数据?
  • 您不需要任何链接和 HTTP 请求。只需单击下一步按钮即可加载新的 HTML DOM 并使用 Selenium 内置方法/属性抓取所需的数据

标签: python selenium web-scraping scrapy


【解决方案1】:

您可以在不使用 Scrapy 的情况下获取数据。试试这个代码:

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

driver = webdriver.Chrome()

links = []
url = 'https://www.milieuproperties.com/search-results.aspx?paramb=ADVANCE%20SEARCH:%20Province%20(Western%20Cape),%20%20Area%20(Cape%20Town)'
driver.get(url)
current_page_number = driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text
while True:
    links.extend([link.get_attribute('href') for link in driver.find_elements_by_css_selector('.hoverdetail a')])
    try: 
        elem = WebDriverWait(driver, 10).until(EC.element_to_be_clickable((By.XPATH, '//*[@id="ContentPlaceHolder1_lvDataPager1"]/a[text()="Next" and not(@class)]')))
        elem.click()
    except TimeoutException:
        break
    WebDriverWait(driver, 10).until(lambda driver: driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text != current_page_number)
    current_page_number = driver.find_element_by_css_selector('#ContentPlaceHolder1_lvDataPager1>span').text

print(links)

【讨论】:

  • 非常感谢您!有没有办法,一旦我有了这些链接,就可以访问这些链接并抓取它们?这就是我在@JaSON 之前使用scrapy 的原因
  • @saraherceg 您可以遍历链接列表并逐个打开for link in links: driver.get(link)
猜你喜欢
  • 2015-04-02
  • 2021-03-11
  • 1970-01-01
  • 2016-08-08
  • 1970-01-01
  • 2014-10-02
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多