Как извлечь данные с динамических сайтов, таких как Flipkart, используя селен и Scrapy?
Поскольку Flipkart.com показывает только 15-20 результатов на первой странице, а при прокрутке он показывает больше результатов. Scrapy извлекает результаты первой страницы успешно, но не следующих страниц. Я пытался использовать Selenium для этого, но не смог найти успеха. Вот мой код: –
from scrapy.spider import Spider from scrapy.selector import Selector from flipkart.items import FlipkartItem from scrapy.spider import BaseSpider from selenium import webdriver class FlipkartSpider(BaseSpider): name = "flip1" allowed_domains = ["flipkart.com"] start_urls = [ "http://www.flipkart.com/beauty-and-personal-care/personal-care-appliances/hair-dryers/pr?sid=t06,79s,mh8&otracker=nmenu_sub_electronics_0_Hair%20Dryers" ] def __init__(self): self.driver = webdriver.Firefox() def parse(self, response): sel = Selector(response) self.driver.get(response.url) while True: next = self.driver.find_element_by_xpath('//div[@id="show-more-results"]') try: sites = sel.select('//div[@class="gd-col gu12 browse-product fk-inf-scroll-item"] | //div[@class="pu-details lastUnit"]') for site in sites: item = FlipkartItem() item['title'] = site.select('div//a[@class="lu-title"]/text() | div[1]/a/text()').extract() item['price'] = site.select('div//div[@class="pu-price"]/div/text() | div//div[@class="pu-final"]/span/text()').extract() yield item next.wait_for_page_to_load("30") except: break self.driver.close() , My items.py: –
- настройка предпочтений Chrome w / Selenium Webdriver в Python
- Как найти элемент, содержащий определенный текст в Selenium Webdriver (Python)?
- Откройте хром-удлинитель через селен-webdriver
- Python Selenium - AttributeError: объект WebElement не имеет атрибута sendKeys
- Assert / VerifyElementPresent с Python и WebDriver?
import scrapy class FlipkartItem(scrapy.Item): title=scrapy.Field() price=scrapy.Field()
и после вывода я получаю только 15 предметов: –
[{"price": ["Rs. 599"], "title": ["\n Citron Elegant 1400 W HD001 Hair Dryer (Pink)\n "]}, {"price": ["Rs. 799"], "title": ["\n Citron Vogue 1800 W HD002 Hair Dryer (White)\n "]}, {"price": ["Rs. 645"], "title": ["\n Philips HP8100/00 Hair Dryer (Blue)\n "]}, {"price": ["Rs. 944"], "title": ["\n Philips HP8111/00 Hair Dryer\n "]}, {"price": ["Rs. 171"], "title": ["\n Nova Professional With 2 Speed NV-1290 Hair Dryer (Pink...\n "]}, {"price": ["Rs. 175"], "title": ["\n Nova NHD 2840 Hair Dryer\n "]}, {"price": ["Rs. 775"], "title": ["\n Philips HP 8112 Hair Dryer\n "]}, {"price": ["Rs. 1,925"], "title": ["\n Philips HP8643/00 Miss Fresher's Pack Hair Straightener...\n "]}, {"price": ["Rs. 144"], "title": ["\n Nova Foldable N-658 Hair Dryer (White, Pink)\n "]}, {"price": ["Rs. 1,055"], "title": ["\n Philips HP8100/46 Hair Dryer\n "]}, {"price": ["Rs. 849"], "title": ["\n Panasonic EH-ND12-P62B Hair Dryer (Pink)\n "]}, {"price": ["Rs. 760"], "title": ["\n Panasonic EH-ND11 Hair Dryer (White)\n "]}, {"price": ["Rs. 1,049"], "title": ["\n Panasonic EH-ND13-V Hair Dryer (Violet)\n "]}, {"price": ["Rs. 1,554"], "title": ["\n Philips 1600 W HP4940 Hair Dryer (White & Light Pink)\n "]}, {"price": ["Rs. 2,008"], "title": ["\n Philips Kerashine HP8216/00 Hair Dryer\n "]}]
- Ошибка selexbox при проверке на селене
- Не удается запустить Internet Explorer через привязки python Selenium WebDriver
- Установка селена на использование настраиваемого профиля, но он продолжает открываться по умолчанию
- Ошибка Selenium Webdriver: «Невозможно загрузить профиль»
- PhantomJS действует иначе, чем Firefox webdriver
- Python Xpath содержит% s в Selenium
- размещение, ввод значения в текстовое поле с использованием селена и питона
- Поддержка Chrome 59 для базовых учетных данных в URL-адресах, альтернативных для использования с Chromedriver?
3 Solutions collect form web for “Как извлечь данные с динамических сайтов, таких как Flipkart, используя селен и Scrapy?”
Мне это удалось по-другому. См. Мой код для дальнейшей справки. Работать отлично для полного сайта ..
class FlipkartSpider(BaseSpider): name = "flip1" allowed_domains = ["flipkart.com"] start_urls = [ "http://www.flipkart.com/tablets/pr?sid=tyy%2Chry&q=mobile&ref=b8b64676-065a-445c-a6a1-bc964d5ff938" ] '''def is_element_present(self, finder, selector, wait_time=None): wait_time = wait_time or self.wait_time end_time = time.time() + wait_time while time.time() < end_time: if finder(selector): return True return False def is_element_present_by_xpath(self, xpath, wait_time=None): return self.is_element_present(self.find_by_xpath, xpath, wait_time) ''' def __init__(self): self.driver = webdriver.Firefox() def parse(self, response): sel = Selector(response) self.driver.get(response.url) block="block" hyper="http://www.flipkart.com" print hyper #i=0 while True: self.driver.execute_script("window.scrollTo(10000000,10000000)") self.driver.set_page_load_timeout(10000) try: show = self.driver.find_element_by_xpath('//div[@id="show-more-results"]').value_of_css_property('display') if show==block: self.driver.find_element_by_xpath('//div[@id="show-more-results"]').click() no_more = self.driver.find_element_by_xpath('//*[@id="no-more-results" and @class="dont-show"]').value_of_css_property('display') if no_more==block: break; time.sleep(5) self.driver.execute_script("window.scrollTo(10000000,10000000)") self.driver.set_page_load_timeout(10000) #if i==7: # break except NoSuchElementException: print "pungi" break #down = self.driver.find_element_by_xpath('//div[@id="show-more-results"]') #location = down.location #self.((JavascriptExecutor) driver).executeScript("window.scrollBy(10000,10000);"); #next = self.driver.find_element_by_xpath('//div[@id="show-more-results"]') response = TextResponse(url=response.url, body=self.driver.page_source, encoding='utf-8') try: #self.driver.set_page_load_timeout(10000) #driver.execute_script("window.scrollTo(0, location.get('y')") sites = response.xpath('//div[@class="gd-col gu12 browse-product fk-inf-scroll-item"] | //div[@class="pu-details lastUnit"] | //div[@class="pu-visual-section"]') for site in sites: item = FlipkartItem() item['title'] = site.xpath('div//a[@class="lu-title"]/text() | div[1]/a/text()').extract() item['price'] = site.xpath('div//div[@class="pu-price"]/div/text() | div//div[@class="pu-final"]/span/text()').extract() item['rating'] = site.xpath('div[@class="pu-rating"]/div/@title').extract() item['image'] = site.xpath('a/img/@src').extract() data = site.xpath('a/@href').extract() print data item['link'] = data #print rating yield item '''for site in sites: item = FlipkartItem() item['title'] = site.xpath('div//a[@class="lu-title"]/text() | div[1]/a/text()').extract() item['price'] = site.xpath('div//div[@class="pu-price"]/div/text() | div//div[@class="pu-final"]/span/text()').extract() item['rating'] = site.xpath('div[@class="pu-rating"]/div/@title').extract() #print rating yield item''' #next.click() #self.driver.execute_script("window.scrollTo(10000000,10000000)") except: #break a=10 self.driver.close()
Вам нужно заставить загружать webdriver больше результатов. Чтобы иметь возможность взаимодействовать с другими результатами, webdriver должен прокручивать страницу до появления элементов.
Код для прокрутки:
driver.execute_script("window.scrollTo(0, location.get('y')")
Чтобы решить, где прокрутить, вы можете найти элемент в нижней части страницы (например, нижний колонтитул) и продолжить прокрутку. Чтобы получить координаты элемента, вы можете использовать местоположение свойства Webelement
driver = webdriver.Firefox() down = driver.find_element_by_xpath("//someXpath") location = down.location
Вы можете использовать Javascript для прокрутки страницы вниз.
Следующий код будет прокручивать страницу вниз на 10000 10000 в направлении x & y. Поскольку 10000 – это большое количество, так что вы дойдете до нижней части страницы. Когда вы находитесь внизу, запрос AJAX запускается flipkart для загрузки большего количества предметов.
window.scrollBy(10000,10000);
Я не уверен, как мы можем это сделать в лучевой терапии, но с помощью селена легко.
Вот код
((JavascriptExecutor) driver).executeScript("window.scrollBy(10000,10000);");
- Python: удалить повторяющиеся элементы из вложенного списка.
- как получить доступ к sys.argv (или любой строковой переменной) в режиме raw?