Scrapy不返回特定标签的结果

Question

我今天刚开始使用Scrapy，但我以前有过javascript编程经验，所以请耐心听我说，我会给出一个非常详细的解释：

我用一个gramReport来分析instagram的一些个人资料（提取关注者的数量、帖子的数量和其他数据），因为我有一个不同的配置文件列表，我想自动化这个任务

最后的想法是这样的：

1. Use Scrapy to crawl a specific profile ( so append 'profile' to 'gramreport.com/user/' )
2. Extract specific data and save it in a csv

我认为python可以胜任这项工作，开始搜索并发现scrapy，文档非常适合我。 https://doc.scrapy.org/en/latest/intro/tutorial.html

我决定尝试一下，就像教程一样，我创建了一个蜘蛛：

import scrapy
class QuotesSpider(scrapy.Spider):
name = "profile"
start_urls = [
    'http://gramreport.com/user/cats.gato'
]

def parse(self, response):
    page = response.url.split("/")[-1]
    filename = 'profile-%s.html' % page
    with open(filename, 'wb') as f:
        f.write(response.body)

所以scrapy crawl profile工作得很好，我无法获得html页面。 接下来我尝试使用shell：

scrapy shell 'http://gramreport.com/user/cats.gato'

很好，我可以通过Xpath或CSS获得一些数据：

//Followers:
response.xpath('/html/body/div[3]/table[1]/tr/td[2]/table/tr[1]/td/div/table/tr[2]/td/text()').extract()

//Posts:
response.xpath('/html/body/div[3]/table[1]/tr/td[2]/table/tr[3]/td/div/table/tr[2]/td/text()').extract()

//Page Name:
response.xpath('/html/body/div[3]/table[1]/tr/td[1]/div/div/div/span[2]/text()').extract()

//Average Likes:
response.xpath('/html/body/div[3]/div[1]/div/div/div[1]/div/text()').extract()

//Average Comments:
response.xpath('/html/body/div[3]/div[1]/div/div/div[2]/div/text()').extract()

我得到的大多数结果都有u'字符和其他正则表达式，比如[u'\n\t\t\t252,124\t\t']，但我认为已经有人回答了这个问题。你知道吗

但是，有一些数据我无法提取，我只是没有得到任何结果

首先是Recent Interactions表，这是由于AJAX造成的，但我不明白如何修复它；也许使用延迟？你知道吗

其次是Top Hashtags和Top User Mentions表

他们的xpath不起作用，css选择器也不起作用；我不明白为什么。你知道吗

Answer 1

页面加载时会发出AJAX请求。你知道吗

如果在加载页面时打开web检查器，您将看到如下AJAX请求：

如果在page source中按住ctrl+f组合键，您将看到一些javascript，如：

您可以使用scrapy找到此url，然后转发请求：

def parse(self, response):

    script = response.xpath("//script[contains(text(), 'getresultsb']")
    url = script.re('url:"(.+?)"')  # capture between ""
    headers = {
        'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'X-Requested-With': 'XMLHttpRequest',
    }
    yield Request(url, 
        method='POST', 
        body='dmn=ok', 
        callback=self.parse_recent
        headers=headers,
    )

def parse_recent(self, response):
    # parse recent data here