启动lua脚本进行多次点击和访问
我正在尝试抓取Google Scholar搜索结果,并获取与搜索匹配的每个结果的所有BiBTeX格式。现在,我有一个带有Splash的Scrapy爬虫。我有一个脚本" title="lua脚本">lua脚本,它将在获取href
BibTeX格式的引用之前,单击“引用”链接并加载模式窗口。但是,看到有多个搜索结果,因此有多个“引用”链接,我需要全部单击它们并加载各个BibTeX页面。
这是我所拥有的:
import scrapyfrom scrapy_splash import SplashRequest
class CiteSpider(scrapy.Spider):
name = "cite"
allowed_domains = ["scholar.google.com", "scholar.google.ae"]
start_urls = [
'https://scholar.google.ae/scholar?q="thermodynamics"&hl=en'
]
script = """
function main(splash)
local url = splash.args.url
assert(splash:go(url))
assert(splash:wait(0.5))
splash:runjs('document.querySelectorAll("a.gs_nph[aria-controls=gs_cit]")[0].click()')
splash:wait(3)
local href = splash:evaljs('document.querySelectorAll(".gs_citi")[0].href')
assert(splash:go(href))
return {
html = splash:html(),
png = splash:png(),
href=href,
}
end
"""
def parse(self, response):
yield SplashRequest(self.start_urls[0], self.parse_bib,
endpoint="execute",
args={"lua_source": self.script})
def parse_bib(self, response):
filename = response.url.split("/")[-2] + '.html'
with open(filename, 'wb') as f:
f.write(response.css("body > pre::text").extract()[0])
我想我应该在执行querySelectorAll
调用时将“ Cite”链接的索引传递到lua脚本中,但是我似乎找不到找到将另一个变量传递给函数的方法。另外,我认为history.back()
在获取BibTeX之后,我必须做一些肮脏的javascript 才能返回到原始结果页面,但是我觉得有一种更优雅的方式来处理此问题。
回答:
我破解了一个可行的解决方案。首先,我们需要Lua脚本是可变的,因此我们将其设为一个函数:
def script(n): _script = """
function main(splash)
local url = splash.args.url
local href = ""
assert(splash:go(url))
assert(splash:wait(0.5))
splash:runjs('document.querySelectorAll("a.gs_nph[aria-controls=gs_cit]")[{}].click()')
splash:wait(3)
href = splash:evaljs('document.querySelectorAll("a.gs_citi")[0].href')
assert(splash:go(href))
return {}
end
""".format(n, "{html=splash:html(),png=splash:png(), href=href,}")
return _script
然后,我不得不修改该parse
函数,以便它单击页面上的所有“引用”链接。这样做的方法是遍历页面上所有匹配的“引用”链接,然后分别单击每个链接。我使Lua脚本再次加载页面(但是我无法想到其他方式),然后单击查询的“ Cite”链接的索引。它还必须进行重复的请求,因此为什么dont_filter=True
存在:
def parse(self, response): n = len(response.css("a.gs_nph[aria-controls=gs_cit]").extract())
for i in range(n):
yield SplashRequest(response.url, self.parse_bib,
endpoint="execute",
args={"lua_source": script(i)},
dont_filter=True)
希望这可以帮助。
以上是 启动lua脚本进行多次点击和访问 的全部内容, 来源链接: utcz.com/qa/422103.html