Jak można się domyślić, ta strona używa javascript, aby załadować więcej elementów podczas przewijania strony .
Korzystanie deweloperom narzędzi zawartych w mojej przeglądarce (Ctrl-Maj i chromu), widziałem w zakładce Network, że skrypt javascript zawarte na stronie wykonuje następujące wnioski załadować więcej rzeczy:
GET http://www.website-your-are-crawling.com/men/shoes/?page=2 # 2,3,4,5,6 etc...
serwer wWW odpowiada dokumentach typu:
<li id="PH969SH70HPTINDFAS" class="itm hasOverlay unit size1of4 ">
<div id="qa-quick-view-btn" class="quickviewZoom itm-quickview ui-buttonQuickview l-absolute pos-t" title="Quick View" data-url ="phosphorus-Black-Moccasins-233629.html" data-sku="PH969SH70HPTINDFAS" onClick="_gaq.push(['_trackEvent', 'BadgeQV','Shown','OFFER INSIDE']);">Quick view</div>
<div class="itm-qlInsert tooltip-qlist highlightStar"
onclick="javascript:Rocket.QuickList.insert('PH969SH70HPTINDFAS', 'catalog');
return false;" >
<div class="starHrMsg">
<span class="starHrMsgArrow"> </span>
Save for later </div>
</div>
<a id='cat_105_PH969SH70HPTINDFAS' class="itm-link sobrTxt" href="/phosphorus-Black-Moccasins-233629.html"
onclick="fireGaq('_trackEvent', 'Catalog to PDP', 'men--Shoes--Moccasins', 'PH969SH70HPTINDFAS--1699.00--', this),fireGaq('_trackEvent', 'BadgePDP','Shown','OFFER INSIDE', this);">
<span class="lazyImage">
<span style="width:176px;height:255px;" class="itm-imageWrapper itm-imageWrapper-PH969SH70HPTINDFAS" id="http://static4.jassets.com/p/Phosphorus-Black-Moccasins-6668-926332-1-catalog.jpg" itm-img-width="176" itm-img-height="255" itm-img-sprites="4">
<noscript><img src="http://static4.jassets.com/p/Phosphorus-Black-Moccasins-6668-926332-1-catalog.jpg" width="176" height="255" class="itm-img"></noscript>
</span>
</span>
<span class="itm-budgeFlag offInside"><span class="flagBrdLeft"></span>OFFER INSIDE</span>
<span class="itm-Catbrand strong">Phosphorus</span>
<span class="itm-title">
Black Moccasins </span>
te dokumenty zawierają więcej elementów.
Tak więc, aby uzyskać pełną listę elementów będzie trzeba wrócić Request
obiektów w metodzie swój pajęczy parse
(Patrz Spider class documentation), aby powiedzieć scrapy że powinien załadować więcej danych:
def parse(self, response):
# ... Extract items in the page using extractors
n = number of the next "page" to parse
# You get get n by using response.url, extracting the number
# at the end and adding 1
# It is VERY IMPORTANT to set the Referer and X-Requested-With headers
# here because that's how the website detects if the request was made by javascript
# or direcly by following a link.
req = Request(url="http://www.website-your-are-crawling.com/men/shoes/?page=" + n,
headers = {"Referer": "http://www.website-your-are-crawling.com/men/shoes/",
"X-Requested-With": "XMLHttpRequest"})
return req # and your items
Aha, a przy okazji (na wypadek, gdybyś chciał przetestować), nie możesz po prostu załadować http://www.website-your-are-crawling.com/men/shoes/?page=2
w przeglądarce, aby zobaczyć, co powraca, ponieważ witryna przekieruje Cię do strony globalnej (np. http://www.website-your-are-crawling.com/men/shoes/
), jeśli nagłówek X-Requested-With
jest inny od XMLHttpRequest
.
Nie jestem pewien, czy 'response.header ['X-Requested-With']' jest równy "XMLHttpRequest", więc witryna może przekierować cię na stronę oryginalnych przedmiotów. Plus prawdopodobnie powinieneś użyć 'yield req' lub umieścić wszystkie żądania na liście. – Xion345
Jak ustawić nagłówek, o którym wspomniałeś wcześniej ... i używając zwrotu/zysku otrzymuję ten błąd 'BŁĄD: Pająk musi zwrócić Żądanie, BaseItem lub Brak, dostał Żądanie w ' –