所以我使用scrapy从亚马逊图书部分抓取数据。但不知何故,我知道它有一些动态数据。我想知道如何从网站中提取动态数据。这是我迄今为止尝试过的东西:
import scrapy
from ..items import AmazonsItem
class AmazonSpiderSpider(scrapy.Spider):
name = 'amazon_spider'
start_urls = ['https://www.amazon.in/s?k=agatha+christie+books&crid=3MWRDVZPSKVG0&sprefix=agatha%2Caps%2C269&ref=nb_sb_ss_i_1_6']
def parse(self, response):
items = AmazonsItem()
products_name = response.css('.s-access-title::attr("data-attribute")').extract()
for product_name in products_name:
print(product_name)
next_page = response.css('li.a-last a::attr(href)').get()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
现在我正在使用 SelectorGadget 来选择一个我必须抓取的类,但在动态网站的情况下,它不起作用。
最佳答案
那么如何抓取具有动态内容的网站呢?
有几个选项:
<script>
内html 源代码的标签。您可以搜索这些并使用 json.loads()
一旦您将文本处理为 json 格式 动态内容和静态内容到底有什么区别?
动态意味着数据是从初始页面请求后的请求中生成的。静态意味着所有数据都在对站点的原始调用中
如何从网站中提取价格和图片等其他信息?以及如何获得特定的类(class),例如价格?
引用你的第一个问题
我怎么知道数据是动态创建的?
如果您在开发工具页面源中看到它,您就会知道它是动态创建的,但不是在您第一次请求的 html 页面源中。您还可以查看数据是否由开发工具中的其他请求生成并查看 Network -> XHR
最后
亚马逊确实提供了一个 API 来访问数据。也试着调查一下
关于python - 如何从网站上抓取动态内容?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55709463/