使用Scrapy进行Python数据抓取

Question

我想从一个有TextFields，Buttons等的网站上抓取数据。我的要求是填写文本字段并提交表单以获得结果，然后从结果页面中抓取数据点。

我想知道Scrapy是否具有此功能，或者如果有人可以推荐Python中的库来完成此任务？

（编辑）的
我想从以下网站获取数据：
http://a836-acris.nyc.gov/DS/DocumentSearch/DocumentType

我的要求是从ComboBoxes中选择值并点击搜索按钮并从结果页面中抓取数据点。

PS我正在使用selenium Firefox驱动程序从其他网站获取数据，但该解决方案并不好，因为selenium Firefox驱动程序依赖于FireFox的EXE，即必须在运行刮刀之前安装Firefox。

Selenium Firefox驱动程序为一个实例消耗大约100MB内存，我的要求是一次运行大量实例以使抓取过程快速，因此也存在内存限制。

Firefox在执行刮刀时有时会崩溃，不知道为什么。 此外，我需要窗口少刮，这在Selenium Firefox驱动程序的情况下是不可能的。

我的最终目标是在Heroku上运行刮刀，我在那里拥有Linux环境，因此selenium Firefox驱动程序无法在Heroku上运行。 谢谢

Answer 1

基本上，您有很多工具可供选择：

• scrapy
• beautifulsoup
• LXML
• 机械化
• 请求 （和问候 ）
• 硒
• ghost.py

这些工具有不同的用途，但可以根据任务将它们混合在一起。

Scrapy是一种功能强大且非常智能的工具，用于抓取网站，提取数据。 但是，当涉及到操纵页面时：单击按钮，填写表单 - 它变得更加复杂：

• 有时候，通过直接在scrapy中制作底层表单动作，可以很容易地模拟填写/提交表单
• 有时，你必须使用其他工具来帮助scrapy - 比如机械化或硒

如果您更具体地提出问题，那将有助于了解您应该使用或选择哪种工具。

看看有趣的scrapy和selenium混合物的例子。 在这里，selenium任务是单击按钮并为scrapy项提供数据：

import time
from scrapy.item import Item, Field

from selenium import webdriver

from scrapy.spider import BaseSpider


class ElyseAvenueItem(Item):
    name = Field()


class ElyseAvenueSpider(BaseSpider):
    name = "elyse"
    allowed_domains = ["ehealthinsurance.com"]
    start_urls = [
    'http://www.ehealthinsurance.com/individual-family-health-insurance?action=changeCensus&census.zipCode=48341&census.primary.gender=MALE&census.requestEffectiveDate=06/01/2013&census.primary.month=12&census.primary.day=01&census.primary.year=1971']

    def __init__(self):
        self.driver = webdriver.Firefox()

    def parse(self, response):
        self.driver.get(response.url)
        el = self.driver.find_element_by_xpath("//input[contains(@class,'btn go-btn')]")
        if el:
            el.click()

        time.sleep(10)

        plans = self.driver.find_elements_by_class_name("plan-info")
        for plan in plans:
            item = ElyseAvenueItem()
            item['name'] = plan.find_element_by_class_name('primary').text
            yield item

        self.driver.close()

更新：

以下是关于如何在您的案例中使用scrapy的示例：

from scrapy.http import FormRequest
from scrapy.item import Item, Field
from scrapy.selector import HtmlXPathSelector

from scrapy.spider import BaseSpider


class AcrisItem(Item):
    borough = Field()
    block = Field()
    doc_type_name = Field()


class AcrisSpider(BaseSpider):
    name = "acris"
    allowed_domains = ["a836-acris.nyc.gov"]
    start_urls = ['http://a836-acris.nyc.gov/DS/DocumentSearch/DocumentType']


    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        document_classes = hxs.select('//select[@name="combox_doc_doctype"]/option')

        form_token = hxs.select('//input[@name="__RequestVerificationToken"]/@value').extract()[0]
        for document_class in document_classes:
            if document_class:
                doc_type = document_class.select('.//@value').extract()[0]
                doc_type_name = document_class.select('.//text()').extract()[0]
                formdata = {'__RequestVerificationToken': form_token,
                            'hid_selectdate': '7',
                            'hid_doctype': doc_type,
                            'hid_doctype_name': doc_type_name,
                            'hid_max_rows': '10',
                            'hid_ISIntranet': 'N',
                            'hid_SearchType': 'DOCTYPE',
                            'hid_page': '1',
                            'hid_borough': '0',
                            'hid_borough_name': 'ALL BOROUGHS',
                            'hid_ReqID': '',
                            'hid_sort': '',
                            'hid_datefromm': '',
                            'hid_datefromd': '',
                            'hid_datefromy': '',
                            'hid_datetom': '',
                            'hid_datetod': '',
                            'hid_datetoy': '', }
                yield FormRequest(url="http://a836-acris.nyc.gov/DS/DocumentSearch/DocumentTypeResult",
                                  method="POST",
                                  formdata=formdata,
                                  callback=self.parse_page,
                                  meta={'doc_type_name': doc_type_name})

    def parse_page(self, response):
        hxs = HtmlXPathSelector(response)

        rows = hxs.select('//form[@name="DATA"]/table/tbody/tr[2]/td/table/tr')
        for row in rows:
            item = AcrisItem()
            borough = row.select('.//td[2]/div/font/text()').extract()
            block = row.select('.//td[3]/div/font/text()').extract()

            if borough and block:
                item['borough'] = borough[0]
                item['block'] = block[0]
                item['doc_type_name'] = response.meta['doc_type_name']

                yield item

将它保存在spider.py并通过scrapy runspider spider.py -o output.json ，在output.json你会看到：

{"doc_type_name": "CONDEMNATION PROCEEDINGS ", "borough": "Borough", "block": "Block"}
{"doc_type_name": "CERTIFICATE OF REDUCTION ", "borough": "Borough", "block": "Block"}
{"doc_type_name": "COLLATERAL MORTGAGE ", "borough": "Borough", "block": "Block"}
{"doc_type_name": "CERTIFIED COPY OF WILL ", "borough": "Borough", "block": "Block"}
{"doc_type_name": "CONFIRMATORY DEED ", "borough": "Borough", "block": "Block"}
{"doc_type_name": "CERT NONATTCHMENT FED TAX LIEN ", "borough": "Borough", "block": "Block"}
...

希望有所帮助。

Answer 2

如果您只是想提交表单并从结果页面中提取数据，我会选择：

• 请求发送帖子请求
• 美丽的汤从结果页面中提取所选数据

Scrapy增加的价值确实在于它能够跟踪链接并抓取网站，如果你确切地知道你在寻找什么，我认为它不适合这项工作。

Answer 3

我本人会使用机械化，因为我没有任何scrapy经验。 但是，为屏幕抓取而构建的名为scrapy目的的库应该可以完成任务。 我会和他们两个人一起去看看哪个工作最好/最简单。