python - 在 Scrapy 中使用 XPath 提取 HTML 结果失败，因为内容是动态加载的

Question

与我之前的一个问题相关但不同，Extracting p within h1 with Python/Scrapy ，我遇到过 Scrapy(用于 Python)不会在 h4 标签中提取 span 标签的情况。

示例 HTML 是:

<div class="event-specifics">
 <div class="event-location">
  <h3>   Gourmet Matinee </h3>
  <h4>
   <span id="spanEventDetailPerformanceLocation">Knight Grove</span>
  </h4>
</div>
</div>

我试图在 span 标签中获取文本“Knight Grove”。在命令行使用scrapy shell时，

response.xpath('.//div[@class="event-location"]//span//text()').extract()

返回:

['Knight Grove']

和

response.xpath('.//div[@class="event-location"]/node()')

返回整个节点，即:

['\n                    ', '<h3>\n                        Gourmet Matinee</h3>', '\n                    ', '<h4><span id="spanEventDetailPerformanceLocation"><p>Knight Grove</p></span></h4>', '\n                ']

但是，当在蜘蛛中运行相同的 Xpath 时，不会返回任何内容。以下面的蜘蛛代码为例，编写它是为了抓取上面示例 HTML 的页面，https://www.clevelandorchestra.com/17-blossom--summer/1718-gourmet-matinees/2017-07-11-gourmet-matinee/ . (部分代码与问题无关，已删除):

# -*- coding: utf-8 -*-
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.loader import ItemLoader
from concertscraper.items import Concert
from scrapy.contrib.loader import XPathItemLoader
from scrapy import Selector
from scrapy.http import XmlResponse

class ClevelandOrchestra(CrawlSpider):
    name = 'clev2'
    allowed_domains = ['clevelandorchestra.com']

    start_urls = ['https://www.clevelandorchestra.com/']

    rules = (
         Rule(LinkExtractor(allow=''), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
     thisconcert = ItemLoader(item=Concert(), response=response)
     for concert in response.xpath('.//div[@class="event-wrap"]'): 

        thisconcert.add_xpath('location','.//div[@class="event-location"]//span//text()')

     return thisconcert.load_item()

这不返回任何项目['location']。我也试过:

thisconcert.add_xpath('location','.//div[@class="event-location"]/node()')

不同于上面关于 h 中的 p 的问题，HTML 中的 h 标签中允许使用 span 标签，除非我弄错了？

为清楚起见，“位置”字段是在 Concert() 对象中定义的，我禁用了所有管道以便进行故障排除。

h4 中的 span 在某种程度上可能是无效的 HTML；如果不是，可能是什么原因造成的？

有趣的是，使用 add_css() 执行相同的任务，如下所示:

thisconcert.add_css('location','.event-location')

产生一个带有 span 标签但缺少内部文本的节点:

['<div class="event-location">\r\n'
          '                    <h3>\r\n'
          '                        BLOSSOM MUSIC FESTIVAL </h3>\r\n'
          '                    <h4><span '
          'id="spanEventDetailPerformanceLocation"></span></h4>\r\n'
          '                </div>']

确认这不是重复的:在这个特定的例子中确实有一个 p 标签在一个 span 标签内，它在 h4 标签内；但是，当不涉及 p 标签时，会发生相同的行为，例如:https://www.clevelandorchestra.com/1718-concerts-pdps/1718-rental-concerts/1718-rentals-other/2017-07-21-cooper-competition/?performanceNumber=16195 .

Answer 1

此内容通过 Ajax 调用加载。为了获取数据，您需要发出类似的 POST 请求，并且不要忘记添加内容类型为: headers = {'content-type': "application/json"} 然后你得到 Json 文件作为响应。

import requests

url = "https://www.clevelandorchestra.com/Services/PerformanceService.asmx/GetToolTipPerformancesForCalendar"
payload = {"startDate": "2017-06-30T21:00:00.000Z", "endDate": "2017-12-31T21:00:00.000Z"}
headers = {'content-type': "application/json"}

json_response = requests.post(url, json=payload, headers=headers).json()
for performance in json_response['d']:
    print(performance["performanceName"], performance["dateString"])

# Star-Spangled Spectacular Friday, June 30, 2017
# Blossom: Tchaikovskys Spectacular 1812 Overture Saturday, July 1, 2017
# Blossom: Tchaikovskys Spectacular 1812 Overture Sunday, July 2, 2017
# Blossom: A Salute to America Monday, July 3, 2017
# Blossom: A Salute to America Tuesday, July 4, 2017