我试着刮下粘贴在下面的网站,并在每个页面上进行迭代,检索每个职位的职位名称和发布的日期。我只能勉强读到第一页。该站点是ASPX,因此需要向服务器发送回发来检索信息。我尝试过用scrapy来模拟这些,但是没有成功。我知道有一些工具可以用来做这件事(比如Selenium),但我希望我能找到一种方法来使用scrapy。这个资源有一些帮助:https://blog.scrapinghub.com/2016/04/20/scrapy-tips-from-the-pros-april-2016-edition 但他们的问题也和我的略有不同,我已经厌倦了用头撞墙了。在
所以到目前为止,我所做的是对刮板如何工作有一个大致的想法:
我最大的问题是,我不太熟悉ASP页面,但我知道,对于每个页面,浏览器都必须进行回发,但我似乎无法以正确的方式提交信息,以便它遍历每一页的信息。在
这是我当前的代码(它已经改变了无数次)。我认识到这不会按原样工作(parse的第二部分显然没有考虑好)。我只是希望这可能是一个好的起点,让别人来看看,并帮助我得到答案。在
import scrapy, re
from ..items import UnionItems
class Union(scrapy.Spider):
name = "union"
custom_settings = {
'ITEM_PIPELINES': {
'tutorial.pipelines.UnionHospital': 300,
'tutorial.pipelines.MongoDBPipeline': 300,
}
# 'DEFAULT_REQUEST_HEADERS': {
# 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
# 'Accept-Language': 'en',
# 'Referer': 'https://re21.ultipro.com/UNI1029/JobBoard/ListJobs.aspx?__SVRTRID=05EB3802-DC15-42A8-9843-188F8787D187'
# }
}
start_urls = [
'https://re21.ultipro.com/UNI1029/JobBoard/ListJobs.aspx?__SVRTRID=FFDDC66F-AA37-4484-A868-96DF06DA013C',
]
def parse(self,response):
items = UnionItems()
job_title = response.css('.highlightRow:nth-child(3) .LinkSmall , .Cell:nth-child(3) .LinkSmall').css('::text').extract()
dates_posted = response.css('.highlightRow:nth-child(1) .LinkSmall , .Cell:nth-child(1) .LinkSmall').css('::text').extract()
items['job_title'] = job_title
items['date_posted'] = dates_posted
yield items
i = 2
for arrow in response.css('input#__Next::attr(value)').extract_first():
yield scrapy.FormRequest.from_response(
response,
method="POST",
formdata={
'__Next': response.css('input#__Next::attr(value)').extract_first(),
'__PageNumber':i,
'__VIEWSTATE': response.css('input#__VIEWSTATE::attr(value)').extract_first(),
}
)
i = i+1
这段代码成功地抓取了作业的第一页和发布的日期,但之后,我就不知道如何检索接下来的几页了。在
目前没有回答
相关问题 更多 >
编程相关推荐