在爬行monsterindia.com时从刮y的外壳中获取空响应

Question

我正在尝试从monsterindia.com抓取一些页面。 但是，每当我在scrapy shell上编写任何xpath时，它都会给我空的结果。 但是，应该有某种方法，因为view（response）命令为我提供了相同的html页面。

我运行了以下命令：

scrapy shell "https://www.monsterindia.com/search/computer-jobs"

在我的终端上，然后尝试了几种方法来制定不同的xpath，例如-response.xpath response.xpath('//*[@class="job-tittle"]/text()').extract() 。 但是，没有运气..总有空结果。

在终端上：

scrapy shell "https://www.monsterindia.com/search/computer-jobs"

然后， response.xpath('//div[@class="job-tittle"]/text()').extract()得到空结果。

然后， response.xpath('//*[@class="card-apply-content"]/text()').extract()得到空结果。

我希望它能带来一些结果，我的意思是抓取后来自网站的文字。 请帮我。

Answer 1

您要查找的数据不在主页上，而是在页面加载后检索到的响应中。 如果您在浏览器中选中“ 查看页面源 ”，则将看到第一个请求中实际包含的内容。

通过检查开发工具中的“网络”标签，您将看到其他请求，例如对此URL的请求： https : //www.monsterindia.com/middleware/jobsearch?query=computer&sort=1&limit=25

Answer 2

因此，我认为Thiago遇到的问题是该页面使用xhr请求进行更新，其中包括结果计数查询字符串参数。 这将返回您可以解析的json。 因此，您将网址更改为该网址并相应地处理json。

使用请求进行演示

import requests
from bs4 import BeautifulSoup as bs
import json

r = requests.get('https://www.monsterindia.com/middleware/jobsearch?query=computer&sort=1&limit=100')
soup = bs(r.content, 'lxml')
data = json.loads(soup.select_one('p').text)['jobSearchResponse']['data']

for item in data:
    print(item)

---

第一项的JSON

https://jsoneditoronline.org/?id=fe49c53efe10423a8d49f9b5bdf4eb36

---

带有刮擦：

jsonres = json.loads(response.body_as_unicode()