Проблемы с Scrapy с Spla sh для извлечения данных с веб-страницы, элементы которой созданы javascript - PullRequest
Новая
       51

Проблемы с Scrapy с Spla sh для извлечения данных с веб-страницы, элементы которой созданы javascript

0 голосов
/ 15 января 2020

Недавно я учусь использовать Scrapy с spla sh для сканирования динамических c сайтов.

Вот содержимое моего паука: 

# -*- coding: utf-8 -*-
import scrapy
from scrapy_splash import SplashRequest

class InfoSpider(scrapy.Spider):
    name = 'info'
    url = 'https://hackerone.com/kubernetes'

    def start_requests(self):
        yield SplashRequest(
            self.url,
            callback=self.parse,
            endpoint='render.html',
            args={
                'wait': 15
            })

    def parse(self, response):
        result = response.css('strong span').getall()
        self.log(result)
        if result:
            self.log("FOUND!")
        else:
            self.log("NOT FOUND!")

Однако, ответ, возвращаемый spla sh, по-прежнему не совпадает с ответом, который я проверяю в браузере.

Настройки spla sh верны, так как я проверил его на localhost: 8050. Вот содержимое в моем setting.py

BOT_NAME = 'hackerone'

SPIDER_MODULES = ['hackerone.spiders']
NEWSPIDER_MODULE = 'hackerone.spiders'

SPLASH_URL = 'http://localhost:8050'

DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0'

ROBOTSTXT_OBEY = False

SPIDER_MIDDLEWARES = {
    'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}

DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware':
    810,
}

Вывод в powershell: 

scrapy crawl info
2020-01-15 15:41:42 [scrapy.utils.log] INFO: Scrapy 1.8.0 started (bot: hackerone)
2020-01-15 15:41:42 [scrapy.utils.log] INFO: Versions: lxml 4.4.1.0, libxml2 2.9.9, cssselect 1.1.0, parsel 1.5.2, 
w3lib 1.21.0, Twisted 19.10.0, Python 3.7.4 (default, Aug  9 2019, 18:34:13) [MSC v.1915 64 bit (AMD64)], pyOpenSSL 19.0.0 (OpenSSL 1.1.1d  10 Sep 2019), cryptography 2.7, Platform Windows-10-10.0.18362-SP0
2020-01-15 15:41:42 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'hackerone', 'DUPEFILTER_CLASS': 'scrapy_splash.SplashAwareDupeFilter', 'HTTPCACHE_STORAGE': 'scrapy_splash.SplashAwareFSCacheStorage', 'NEWSPIDER_MODULE': 'hackerone.spiders', 'SPIDER_MODULES': ['hackerone.spiders'], 'USER_AGENT': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0'}
2020-01-15 15:41:42 [scrapy.extensions.telnet] INFO: Telnet Password: 9895b012d3e5c3ae
2020-01-15 15:41:42 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.logstats.LogStats']
2020-01-15 15:41:42 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy_splash.SplashCookiesMiddleware',
 'scrapy_splash.SplashMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-01-15 15:41:42 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy_splash.SplashDeduplicateArgsMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-01-15 15:41:42 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-01-15 15:41:42 [scrapy.core.engine] INFO: Spider opened
2020-01-15 15:41:42 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-01-15 15:41:42 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-01-15 15:42:00 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://hackerone.com/kubernetes via http://localhost:8050/render.html> (referer: None)
2020-01-15 15:42:00 [info] DEBUG: []
2020-01-15 15:42:00 [info] DEBUG: NOT FOUND!
2020-01-15 15:42:00 [scrapy.core.engine] INFO: Closing spider (finished)
2020-01-15 15:42:00 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 606,
 'downloader/request_count': 1,
 'downloader/request_method_count/POST': 1,
 'downloader/response_bytes': 4264,
 'downloader/response_count': 1,
 'downloader/response_status_count/200': 1,
 'elapsed_time_seconds': 18.242975,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 1, 15, 7, 42, 0, 625909),
 'log_count/DEBUG': 3,
 'log_count/INFO': 10,
 'response_received_count': 1,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'splash/render.html/request_count': 1,
 'splash/render.html/response_count/200': 1,
 'start_time': datetime.datetime(2020, 1, 15, 7, 41, 42, 382934)}
2020-01-15 15:42:00 [scrapy.core.engine] INFO: Spider closed (finished)

Вывод в docker: 

2020-01-15 07:42:00.504447 [events] {"path": "/render.html", "rendertime": 18.063398361206055, "maxrss": 339420, "load": [0.0, 0.0, 0.0], "fds": 66, "active": 0, "qsize": 0, "_id": 140145667498672, "method": "POST", "timestamp": 1579074120, "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0", "args": {"headers": {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Accept-Language": "en", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0"}, "url": "https://hackerone.com/kubernetes", "wait": 15, "uid": 140145667498672}, "status_code": 200, "client_ip": "172.17.0.1"}
2020-01-15 07:42:00.504754 [-] "172.17.0.1" - - [15/Jan/2020:07:42:00 +0000] "POST /render.html HTTP/1.1" 200 4141 "-" "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:72.0) Gecko/20100101 Firefox/72.0"

Надеюсь не знаю, что не так с кодом. Элементы не отображаются в окончательном коде html, полученном spla sh. Ваши советы будут высоко оценены.

1 Ответ

0 голосов
/ 17 января 2020

При использовании SplashRequest нам необходимо явно указать, что нам нужно из запроса. В вашем случае вы хотите html, который создается после рендеринга js, чтобы вы могли использовать этот скрипт Lua в вашем запросе 

function main(splash):
   assert(splash:wait(15))
   return splash:html()
...