[英]File downloading using splash with button click
我有一个蜘蛛用来抓取一些数据和一个 pdf 文件。 除了pdf,一切都完成了。 pdf 没有直接的 src 可以下载到 file_urls 字段。 html看起来像这样
<a onclick="document.forms[0].target ='_blank';" id="main_0_body_0_lnkDownloadBio" href="javascript:__doPostBack('main_0$body_0$lnkDownloadBio','')">Download full <span class="no-wrap">bio <i class="fa fa-angle-right" data-nowrap-cta=""></i></span></a>
似乎一些 javascript click 方法正在工作,而不是 src。 当我们点击这个时,它将打开一个新窗口,其中包含下载选项。 现在我计划将启动请求与 lua 脚本一起使用。 这是代码
class DataSpider(scrapy.Spider):
name = config.NAME
allowed_domains = [config.DOMAIN]
def start_requests(self):
for url in config.START_URLS:
yield scrapy.Request(url, self.parse_data)
def parse_data(self, response):
script = """
function main(splash)
local url = splash.args.url
assert(splash:go(url))
assert(splash:wait(1))
-- go back 1 month in time and wait a little (1 second)
assert(splash:runjs("document.getElementById('DownloadBio').click()"))
assert(splash:wait(1))
-- return result as a JSON object
return {
html = splash:html(),
}
end
"""
response = json.loads(response.text)
res = response['people']
for index, i in enumerate(res[1]):
first_name = res[index]['name']
last_name = res[index]['lastname']
location = res[index]['location']
link = res[index]['pageurl']
link = config.HOST + link
item = ProtoscraperItem(first_name=first_name, last_name=last_name, title=title, location=location, link=link)
# This request is for the detail page and there is more info and pdf.
request = SplashRequest(link, self.parse_details, meta={
'splash': {
'args': {'lua_source': script, 'wait': 30, 'timeout': 40},
'endpoint': 'execute',
},)
request.meta['item'] = item
request.meta['link'] = link
yield request
def parse_details(self, response):
# what to do here
所以在这里我单击锚标记来执行 javscript。 我认为它正在运行,但没有下载任何内容。 我在这里缺少什么。 可以指定下载路径吗? 我认为这可以用 selenium 实现,但我怎么能用飞溅和 lua 做到这一点?
通过查看单击按钮,我相信它正在调用 ASP.net 中的“__doPostBack”函数。 当您单击该提交按钮时,表单 [0] 将与某些值一起提交。 您需要为通过表单提交提交的所有元素检查页面。
这样做所需的参数是
__事件目标,
__事件参数
__视图状态
__视图状态生成器
__事件验证
也许更多,通常这些参数被设置为表单中的隐藏值。 (请在您的网页中进行验证)
arguments = {'__EVENTTARGET': 'main_0$body_0$lnkDownloadBio',
'__EVENTARGUMENT': '',
'__VIEWSTATE': viewstate,
'__VIEWSTATEGENERATOR': viewstategen,
'__EVENTVALIDATION': eventvalid,
'search': '',
'filters': '',
'score': ''
}
HEADERS = {
'Content-Type':'application/x-www-form-urlencoded',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64)
AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/60.0.3112.101 Safari/537.36',
'Accept': 'text / html, application / xhtml + xml,
application / xml;q = 0.9, image / webp, image / apng, *
/ *;q = 0.8'
}
data = urllib.urlencode(arguments)
r = requests.post(submitin_url, data, allow_redirects=False, headers=HEADERS)
with open(some_filename, 'wb') as f:
f.write(r.content)
我的项目有类似的工作,我已经这样做了。 使用 Python 请求发送表单值和参数。 响应将是您尝试下载的文件。 将其写入文件并确保扩展名正确。 我希望它会对你有所帮助。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.