使用 Scrapy 抓取 Python 数据

我想从具有文本字段、按钮等的网站中抓取数据。我的要求是填写文本字段并提交表单以获取结果，然后从结果页面中抓取数据点。

我想知道Scrapy有这个功能或者是否有人可以推荐一个Python库来完成这个任务？

(edited)
我想从以下网站抓取数据：
http://a836-acris.nyc.gov/DS/DocumentSearch/DocumentType

我的要求是从组合框中选择值，然后单击搜索按钮并从结果页面中抓取数据点。

附：我正在使用 selenium Firefox 驱动程序从其他网站抓取数据，但该解决方案并不好，因为 selenium Firefox 驱动程序依赖于 FireFox 的 EXE，即必须在运行抓取程序之前安装 Firefox。

Selenium Firefox 驱动程序的一个实例消耗大约 100MB 内存，而我的要求是一次运行多个实例以使抓取过程更快，因此也存在内存限制。

Firefox 在执行 scraper 时有时会崩溃，不知道为什么。另外，我需要无窗口抓取，这在 Selenium Firefox 驱动程序中是不可能的。

我的最终目标是在 Heroku 上运行抓取工具，并且我在那里有 Linux 环境，因此 selenium Firefox 驱动程序无法在 Heroku 上运行。 谢谢

基本上，您有很多工具可供选择：

• scrapy
• 美丽汤
• lxml
• 机械化
• requests (and 请求)
• selenium
• ghost.py

这些工具有不同的用途，但可以根据任务混合在一起。

Scrapy 是一个强大且非常智能的工具，用于爬行网站、提取数据。但是，当涉及到操作页面时：单击按钮、填写表单 - 它变得更加复杂：

• 有时，通过直接在 scrapy 中进行底层表单操作，可以轻松模拟填写/提交表单
• 有时，你必须使用其他工具来帮助 scrapy - 比如 mechanize 或 selenium

如果您的问题更加具体，将有助于了解您应该使用或选择哪种工具。

看一下有趣的 scrapy 和 selenium 组合的示例。这里，selenium 的任务是点击按钮并为 scrapy items 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()

UPDATE:

这是一个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

保存在spider.py并通过运行scrapy runspider spider.py -o output.json and in output.json你会看见：

{"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"}
...

希望有帮助。