python - 无法使用 scrapy 访问 xpath 属性

Question

我目前正在尝试抓取以下网址: http://www.bedbathandbeyond.com/store/product/dyson-dc59-motorhead-cordless-vacuum/1042997979?categoryId=10562

在此页面上，我想提取列出的评论数。即我要提取数字693。

这是我当前的 xpath:

sel.xpath('//*[@id="BVRRRatingSummaryLinkReadID"]/a/span/span')

它似乎只返回一个空数组，有人可以建议一个正确的 xpath 吗？

Answer 1

在您使用 Scrapy 获得的初始页面上没有评论。问题是评论是通过大量使用 javascript 加载和构建的，这使事情变得更加复杂。

基本上，您的选择是:

• 高级方法(例如，使用带有 selenium 的真实浏览器)。你甚至可以结合使用 Scrapy 和 Selenium:
  • selenium with scrapy for dynamic page
  • Scraping with Scrapy and Selenium
  • scrapy-webdriver
• 中级方法:scrapy + scrapyjs
• 低级方法(找出评论的构建位置并获取它们)

这是一个涉及使用 json 解析 javascript 代码的低级方法的工作示例和 slimit , 从中提取 HTML 并通过 BeautifulSoup 解析它:

import json

from bs4 import BeautifulSoup
import requests
from slimit import ast
from slimit.parser import Parser
from slimit.visitors import nodevisitor

ID = 1042997979

url = 'http://bedbathandbeyond.ugc.bazaarvoice.com/2009-en_us/{id}/reviews.djs?format=embeddedhtml&sort=submissionTime'.format(id=ID)

response = requests.get(url)

parser = Parser()
tree = parser.parse(response.content)
data = ""
for node in nodevisitor.visit(tree):
    if isinstance(node, ast.Object):
        data = json.loads(node.to_ecma())
        if "BVRRSourceID" in data:
            break

soup = BeautifulSoup(data['BVRRSourceID'])
print soup.select('span.BVRRCount span.BVRRNumber')[0].text

打印 693。

要使解决方案适应 Scrapy，您需要使用 Scrapy 而不是 requests 发出请求，并使用 Scrapy 解析 HTML而不是 BeautifulSoup。