python scrapy FormRequest.FormResponse не дает никакого вывода - PullRequest
Новая
       124

python scrapy FormRequest.FormResponse не дает никакого вывода

0 голосов
/ 12 июля 2020

Очень новичок в кодировании и особенно новичок в scrapy.

У меня есть простой скребок, написанный с помощью scrapy. Я написал его в надежде получить список опций (из элемента «x»). Но это ничего не дает. Я попробовал это , но не смог продвинуться вперед в решении проблемы, с которой я столкнулся.

Я вставляю полный код, а затем выводит его полностью. (примечание: в setting.py я изменил robottext = True на robottext на False) 

from scrapy import FormRequest
import scrapy

class FillFormSpider(scrapy.Spider):
    name = 'fill_form'
    allowed_domains = ['citizen.mahapolice.gov.in/Citizen/MH/PublishedFIRs.aspx']
    start_urls = ['http://citizen.mahapolice.gov.in/Citizen/MH/PublishedFIRs.aspx/']

    def parse(self, response):
        yield FormRequest.from_response(
            response,
            formid='form1',
            formdata={
                'ctl00$ContentPlaceHolder1$txtDateOfRegistrationFrom': "01/07/2020",
                'ContentPlaceHolder1_txtDateOfRegistrationTo': "03/07/2020",
                'ctl00$ContentPlaceHolder1$ddlDistrict': "19372"},
            callback=(self.after_login)
        )

    def after_login(self, response):
        print(response.xpath('//*[@id="ContentPlaceHolder1_ddlPoliceStation"]/text()'))

И вывод выводится в терминал после выполнения команды scrapy crawl spider_name: 

2020-07-12 21:32:21 [scrapy.utils.log] INFO: Scrapy 2.2.0 started (bot: maha_police)
2020-07-12 21:32:21 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 20.3.0, Python 3.8.2 (default, Apr 27 2020, 15:53:34) - [GCC 9.3.0], pyOpenSSL 19.1.0 (OpenSSL 1.1.1f  31 Mar 2020), cryptography 2.8, Platform Linux-5.4.0-40-generic-x86_64-with-glibc2.29
2020-07-12 21:32:21 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor
2020-07-12 21:32:21 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'maha_police',
 'NEWSPIDER_MODULE': 'maha_police.spiders',
 'SPIDER_MODULES': ['maha_police.spiders']}
2020-07-12 21:32:21 [scrapy.extensions.telnet] INFO: Telnet Password: 02d86496f7d27542
2020-07-12 21:32:21 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats']
2020-07-12 21:32:22 [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.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-07-12 21:32:22 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-07-12 21:32:22 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-07-12 21:32:22 [scrapy.core.engine] INFO: Spider opened
2020-07-12 21:32:22 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-07-12 21:32:22 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-07-12 21:32:25 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (302) to <GET https://citizen.mahapolice.gov.in/Citizen/MH/index.aspx> from <GET http://citizen.mahapolice.gov.in/Citizen/MH/PublishedFIRs.aspx/>
2020-07-12 21:32:25 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://citizen.mahapolice.gov.in/Citizen/MH/index.aspx> (referer: None)
2020-07-12 21:32:26 [scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'citizen.mahapolice.gov.in': <POST https://citizen.mahapolice.gov.in/Citizen/MH/index.aspx>
2020-07-12 21:32:26 [scrapy.core.engine] INFO: Closing spider (finished)
2020-07-12 21:32:26 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 501,
 'downloader/request_count': 2,
 'downloader/request_method_count/GET': 2,
 'downloader/response_bytes': 8149,
 'downloader/response_count': 2,
 'downloader/response_status_count/200': 1,
 'downloader/response_status_count/302': 1,
 'elapsed_time_seconds': 3.542722,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 7, 12, 16, 2, 26, 43681),
 'log_count/DEBUG': 3,
 'log_count/INFO': 10,
 'memusage/max': 54427648,
 'memusage/startup': 54427648,
 'offsite/domains': 1,
 'offsite/filtered': 1,
 'request_depth_max': 1,
 'response_received_count': 1,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'start_time': datetime.datetime(2020, 7, 12, 16, 2, 22, 500959)}

Я хотел получить список полицейских участков. Поэтому я попытался извлечь текст из связанного элемента. Где я ошибаюсь? Также, если я хочу нажать на поиск, что мне делать? Спасибо за любезную помощь.

1 Ответ

1 голос
/ 12 июля 2020

Как видно в этой строке: 

2020-07-12 21:32:26 [scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'citizen.mahapolice.gov.in': <POST https://citizen.mahapolice.gov.in/Citizen/MH/index.aspx>

Ваш запрос фильтруется. В вашем случае, поскольку он отфильтрован, потому что он считается внешним сайтом OffsiteMiddleware. Я предлагаю вам изменить свой allowed_domains с: 

allowed_domains = ['citizen.mahapolice.gov.in/Citizen/MH/PublishedFIRs.aspx']

на: 

allowed_domains = ['citizen.mahapolice.gov.in']

Одно это изменение уже сработало для меня, поэтому это предпочтительное решение .

Если вы проверите docs , вы увидите, что это поле должно содержать домены , которые этот паук может сканировать.

Что происходит с вашим пауком, так это то, что OffsiteMiddleware компилирует регулярное выражение с доменами в поле allowed_domains и при обработке запросов проверяет метод should_follow ( код ), чтобы узнать, должен ли запрос быть казненным. Регулярное выражение вернет None и вызовет его фильтрацию.

Вы также можете использовать параметр dont_filter при построении вашего запроса, это также будет работать, однако решение выше лучше. Это будет выглядеть так: 

        yield FormRequest.from_response(
            response,
            formid='form1',
            formdata={
                'ctl00$ContentPlaceHolder1$txtDateOfRegistrationFrom': "01/07/2020",
                'ContentPlaceHolder1_txtDateOfRegistrationTo': "03/07/2020",
                'ctl00$ContentPlaceHolder1$ddlDistrict': "19372"},
            callback=self.after_login,
            dont_filter=True, # <<< Here 
        )
...