@scrapy_python FAQ
В этом репозитории находится полезная информация, собранная участниками чата.
- CLOSESPIDER_PAGECOUNT = 10
- ставится Splash(удобно в Docker) и плагин scrapy_splash
- смотреть откуда идут данные в Chrome -> devtools -> network -> XHR
- JS to Python
- Использовать css селекторы чтобы избежать пробелов в названии при использовании @class в xpath, альтернатива "contains(@class, 'someclass')" выглядит сложнее.
- Использовать xpath для поиска сложных значений, например в таблицах
- Использовать inline-requests для синхронных запросов в функции
- Посмотреть мобильную версию
- Достать href тега a: "a::attr(href)"
- Достать текст ноды: "title::text"
- Аналог contains у xpath, "a[href*=image] img::attr(src)"
- Можно добавить xpath ".css('img').xpath('@src')"
После return жизни нет. Нужно возвращать список или что-то итерируемое.
Через CSS - никак. Использовать xpath contains. Документация по xpath.
Простой способ - поставить в anaconda
https://app.scrapinghub.com/api/items.json?project=PROJECT&spider=SPIDERNAME&apikey=KEY там где SPIDERNAME нужно вставить именно название, а не номер паука. дополнительно можно почитать тут
Использовать цикл по форме c FormRequest.from_response, дополнительное поле со счетчиком формы formnumber=counter и с фильтром dont_filter=True.
Страница отдает 503 ошибку. На этой странице javascript собирает код в форму с рандомным урлом и тремя hidden полями. После отправки этой формы отдается 302 редирект на нужную страницу.
default_settings.py в офф.репо
Chrome -> devtools -> network -> клик на страницу -> copy as curl. Далее гуглим "curl to python", вставляем код и получаем распаршенный код в библиотеке requests
Fiddler или postman(он умеет сразу в питонкод конвертить). Мощнее и сложнее wireshark.