Использовать scrapy + всплеск возвращают HTML-код
Я пытаюсь понять скрэпи и всплеск. В качестве упражнения я попытался заставить splash нажать на кнопку на следующем тяжелом веб-сайте javascript: http://thestlbrowns.com/, а затем возвращает html-код только что отрисованной страницы.
Мой код выглядит так:
import scrapy
import json
from scrapy import Request
class MySpider(scrapy.Spider):
name = 'spiderman'
domain = ['web']
start_urls = ['http://thestlbrowns.com/']
def start_requests(self):
script = """
function main(splash)
local url = splash.args.url
assert(splash:go(url))
assert(splash:wait(1))
assert(splash:runjs("$('#title.play-ball > a:first-child').click()"))
assert(splash:wait(1))
-- return result as a JSON object
return {
html = splash:html(),
-- we don't need screenshot or network activity
--png = splash:png(),
--har = splash:har(),
}
end
"""
for url in self.start_urls:
yield Request(url, self.parse, meta={'splash': {'args':{'lua_source': script},'endpoint':'execute',}})
def parse(self, response):
splash_json = json.loads(response.body_as_unicode())
Однако, когда я запускаю этот код, я получаю следующий вывод:
$ scrapy crawl spiderman
2017-01-12 14:19:03 [scrapy.utils.log] INFO: Scrapy 1.3.0 started (bot: myScrapingProject)
2017-01-12 14:19:03 [scrapy.utils.log] INFO: Overridden settings: {'BOT_NAME': 'myScrapingProject', 'DOWNLOAD_DELAY': 0.25, 'DUPEFILTER_CLASS': 'scrapy_splash.SplashAwareDupeFilter', 'HTTPCACHE_STORAGE': 'scrapy_splash.SplashAwareFSCacheStorage', 'NEWSPIDER_MODULE': 'myScrapingProject.spiders', 'SPIDER_MODULES': ['myScrapingProject.spiders'], 'USER_AGENT': 'Mozilla/5.0 (X11; Linux x86_64; rv:7.0.1) Gecko/20100101 Firefox/7.7'}
2017-01-12 14:19:03 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.logstats.LogStats']
2017-01-12 14:19:03 [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.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy_splash.SplashCookiesMiddleware',
'scrapy_splash.SplashMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-01-12 14:19:03 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy_splash.SplashDeduplicateArgsMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-01-12 14:19:03 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-01-12 14:19:03 [scrapy.core.engine] INFO: Spider opened
2017-01-12 14:19:03 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-01-12 14:19:03 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-01-12 14:19:16 [scrapy_splash.middleware] WARNING: Bad request to Splash: {'error': 400, 'info': {'error': "bad argument #2 to 'assert' (string expected, got table)", 'line_number': 8, 'source': '[string "..."]', 'message': 'Lua error: [string "..."]:8: bad argument #2 to 'assert' (string expected, got table)', 'type': 'LUA_ERROR'}, 'description': 'Error happened while executing Lua script', 'type': 'ScriptError'}
2017-01-12 14:19:16 [scrapy.core.engine] DEBUG: Crawled (400) <POST http://localhost:8050/execute> (referer: None)
2017-01-12 14:19:16 [scrapy.spidermiddlewares.httperror] INFO: Ignoring response <400 http://thestlbrowns.com/>: HTTP status code is not handled or not allowed
2017-01-12 14:19:16 [scrapy.core.engine] INFO: Closing spider (finished)
2017-01-12 14:19:16 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 1222,
'downloader/request_count': 1,
'downloader/request_method_count/POST': 1,
'downloader/response_bytes': 471,
'downloader/response_count': 1,
'downloader/response_status_count/400': 1,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2017, 1, 12, 13, 19, 16, 846242),
'log_count/DEBUG': 2,
'log_count/INFO': 8,
'log_count/WARNING': 1,
'response_received_count': 1,
'scheduler/dequeued': 2,
'scheduler/dequeued/memory': 2,
'scheduler/enqueued': 2,
'scheduler/enqueued/memory': 2,
'splash/execute/request_count': 1,
'splash/execute/response_count/400': 1,
'start_time': datetime.datetime(2017, 1, 12, 13, 19, 3, 417278)}
2017-01-12 14:19:16 [scrapy.core.engine] INFO: Spider closed (finished)
В: кто-нибудь знает, как исправить это/то, что я делаю неправильно?
EDIT: когда я добавляю script = quote(script)
перед передачей скрипт для splash, я получаю следующий вывод ошибки:
Message: 'Bad request to Splash: {'type': 'ScriptError', 'description': 'Error happened while executing Lua script', '
''error': 400, 'info': {'error': "unexpected symbol near '%'", 'type': 'LUA_INIT_ERROR', 'line_number': 1, '
''source': '[string "%0A%20%20%20%20%20%20%20%20%20function%20main..."]','
' 'message': '[string "%0A%20%20%20%20%20%20%20%20%20function%20main..."]:1: unexpected symbol near \'%\''}}'
2 ответа:
Splash response содержит некоторые подсказки:
{'description': 'Error happened while executing Lua script', 'error': 400, 'info': {'error': "bad argument #2 to 'assert' (string expected, got table)", 'line_number': 8, 'message': 'Lua error: [string "..."]:8: bad argument #2 to \'assert\' (string expected, got table)', 'source': '[string "..."]', 'type': 'LUA_ERROR'}, 'type': 'ScriptError'}
Если вы попробуете свой скрипт в веб-интерфейсе Splash (это ваш друг!), у вас есть та же ошибка, исходящая из этой строки:
assert(splash:runjs("$('#title.play-ball > a:first-child').click()"))
Если вы немного измените этот сценарий Lua, поймав ошибку (кстати, я думаю, что вы имели в виду
.title.play-ball > a:first-child
, потому что нет элемента сid="title"
):function main(splash) local url = splash.args.url assert(splash:go(url)) assert(splash:wait(1)) -- go back 1 month in time and wait a little (1 second) ok, err = splash:runjs("$('.title.play-ball > a:first-child').click()") assert(splash:wait(1)) -- return result as a JSON object return { html = splash:html(), error = err -- we don't need screenshot or network activity --png = splash:png(), --har = splash:har(), } end
И запустив его в веб-интерфейсе, вы получите объект" error " в ответе, который показывает:
error: Object js_error: "ReferenceError: Can't find variable: $" js_error_message: "Can't find variable: $" js_error_type: "ReferenceError" message: "JS error: \"ReferenceError: Can't find variable: $\"" splash_method: "runjs" type: "JS_ERROR"
Оказывается, что
$
магия не работает на этом сайте. Вы можете использовать его, например, в консоли Chrome, но с Splash вам, вероятно, нужно загрузить jQuery (или что-то подобное), с помощьюsplash:autoload
как правило. Например:function main(splash) assert(splash:autoload("https://code.jquery.com/jquery-3.1.1.min.js")) 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) ok, err = splash:runjs("$('.title.play-ball > a:first-child').click()") assert(splash:wait(1)) -- return result as a JSON object return { html = splash:html(), error = err -- we don't need screenshot or network activity --png = splash:png(), --har = splash:har(), } end
Обратите внимание, что этот код JavaScript не работал для меня с Splash (скриншот не показывал "историю").
Но я попробовал со следующим в веб-интерфейсе, и я получил" историю " шоу (на скриншоте png - который прокомментирован здесь):
function main(splash) -- no need to load jQuery when you use splash:select --assert(splash:autoload("https://code.jquery.com/jquery-3.1.1.min.js")) local url = splash.args.url assert(splash:go(url)) assert(splash:wait(15)) local element = splash:select('.title.play-ball > a:first-child') local bounds = element:bounds() assert(element:mouse_click{x=bounds.width/2, y=bounds.height/2}) assert(splash:wait(5)) -- return result as a JSON object return { html = splash:html(), -- we don't need screenshot or network activity --png = splash:png(), --har = splash:har(), } end
Действительно, Splash 2.3 имеет помощников для такого рода взаимодействия (например, щелчок по элементу). Смотрите, например, splash: select и element: mouse_click
Также обратите внимание, что я увеличил значения
wait()
.