Блог

Я попытался настроить Scrapy для обхода базы данных на предмет технических норм и стандартов.

В чем проблема:

Я написал Scraper, получил 200 ответов, но без результатов — он очистил 0 страниц:

 2020-09-06 12:42:00 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: stack)
2020-09-06 12:42:00 [scrapy.utils.log] INFO: Versions: lxml 4.2.5.0, libxml2 2.9.5, cssselect 1.0.3, parsel 1.5.1, w3lib 1.19.0, Twisted 18.9.0, Python 3.7.2 (tags/v3.7.2:9a3ffc0492, Dec 23 2018, 22:20:52) [MSC v.1916 32 bit (Intel)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0j  20 Nov 2018), cryptography 2.4.2, Platform Windows-10-10.0.18362-SP0
2020-09-06 12:42:00 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'stack', 'NEWSPIDER_MODULE': 'stack.spiders', 'SPIDER_MODULES': ['stack.spiders'], 'USER_AGENT': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
2020-09-06 12:42:00 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.logstats.LogStats']
2020-09-06 12:42:01 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-09-06 12:42:01 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2020-09-06 12:42:01 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-09-06 12:42:01 [scrapy.core.engine] INFO: Spider opened
2020-09-06 12:42:01 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-09-06 12:42:01 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2020-09-06 12:42:01 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.beuth.de/de/regelwerke/vdi/vdi-richtlinien-entwuerfe> (referer: None)
2020-09-06 12:42:01 [scrapy.core.engine] INFO: Closing spider (finished)
2020-09-06 12:42:01 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 341,
 'downloader/request_count': 1,
 'downloader/request_method_count/GET': 1,
 'downloader/response_bytes': 6149,
 'downloader/response_count': 1,
 'downloader/response_status_count/200': 1,
 'downloader/request_method_count/GET': 1,
 'downloader/response_bytes': 6149,
 'downloader/response_count': 1,
 'downloader/response_status_count/200': 1,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 9, 6, 10, 42, 1, 684021),
 'log_count/DEBUG': 2,
 'log_count/INFO': 7,
 'response_received_count': 1,
 'scheduler/dequeued': 1,
 'scheduler/dequeued/memory': 1,
 'scheduler/enqueued': 1,
 'scheduler/enqueued/memory': 1,
 'start_time': datetime.datetime(2020, 9, 6, 10, 42, 1, 140686)}
2020-09-06 12:42:01 [scrapy.core.engine] INFO: Spider closed (finished)
  

Вот мои элементы изitems.py файл, который я хочу очистить:

 from scrapy.item import Item, Field

class StackItem(Item):
    title = Field()
    url = Field()
    date = Field()
    price = Field()
    subtitle = Field()
    description = Field()
  

Это мой код сканера:

 from scrapy import Spider
from scrapy.selector import Selector

from stack.items import StackItem

class StackSpider(Spider):
    name = "stack"
    allowed_domains = ["www.beuth.de"]
    start_urls = [
        "https://www.beuth.de/de/regelwerke/vdi/vdi-richtlinien-entwuerfe",
    ]

    def parse(self, response):
        elements = Selector(response).xpath('//div[@class="bwr-card__inner"]')

        for element in elements:
            item = StackItem()
            item['title'] = element.xpath('a[@class="bwr-link__label"]/text()').extract()[0]
            item['url'] = element.xpath('a[@class="bwr-card__title-link"]/@href').extract()[0]
            item['date'] = element.xpath('div[@class="bwr-type__item bwr-type__item--light"]/text()').extract()[0]
            item['price'] = element.xpath('div[@class="bwr-buybox__price-emph]/text()').extract()[0]
            item['subtitle'] = element.xpath('div[@class="bwr-card__subtitle bwr-data-dlink"]/text()').extract()[0]
            item['description'] = element.xpath('div[@class="bwr-card__text bwr-rte bwr-data-dlink"]/text()').extract()[0]
            yield item
  

Что я пытался, так что решите проблему:

1. Я попробовал Scrapy-Shell. После того, как я использовал определенный пользовательский агент, веб-сайт меня не заблокировал:

В [2]: из запроса импорта scrapy …: req = Request(«https://www.beuth.de/de/regelwerke/vdi/vdi-richtlinien-entwuerfe «, headers={«USER-AGENT»: «Mozi …: lla / 5.0 (X11; Linux x86_64) AppleWebKit /537.36 (KHTML, как Gecko) Chrome / 58.0.3029.110 Safari / 537.36 OPR/45.0. …: 2552.888»}) …: выборка (запрос) 2020-09-06 12:48:19 [scrapy.core.engine] ОТЛАДКА: обход (200) <ПОЛУЧИТЬ <диапазон>https://www.beuth.de/de/regelwerke/vdi/vdi-richtlinien-entwuerfe >» rel=»nofollow noreferrer»> (ссылка: отсутствует)

После этого я протестировал селекторы (см. Список элементов выше), но, к сожалению, я просто получаю [] любой XPath, который я использую:

 In [3]: response.xpath("//div[@class='bwr-buybox__price']/a/text").getall()
Out[3]: []
  

2. Когда я пытаюсь просмотреть (ответ) Я просто окно браузера с бесконечным циклом загрузки.

3. Я попытался проанализировать результат, но без ошибок, я не был уверен, с чего начать исправление.

4. Я определил пользовательский агент вsettings.py потому что в противном случае я получил сообщение об ошибке о блокировке (я думаю, что веб-сайт не разрешает обход).

Краткие сведения:

Я хочу удалить элементы выше из списка. Но я не уверен, что проблема просто в моих селекторах, потому что тестирование в оболочке каждый раз приводит к [ ].