Scrapy+splash抓取js生成的数据

一、python、lua、js间参数传递原理

抓取过程是python调用splash的lua脚本，lua中又调用了js代码实现相关页面内容的提取及js动作的模拟。在python中通过meta的splash中的args设置python将要传入splash的参数信息，在splash中通过splash:jsfunc的接口封装js代码成为lua函数，进而将lua中的参数传入js代码中。

（1）具体形式如下：

meta = {

          'splash':{

                       'endpoint':'execute',

                       'args':{'lua_source':script,'pagenum':i+1}

                 }

      }

 

（2）具体形式如下：

local gotopage = splash:jsfunc([[

                        function(x) {

                           $('#goInt').val(x);

                           $('#contenttable:nth-child(4) td:nth-child(8) input').click();

                        }

                    ]])

gotopage(3)

 

 

二、总结在lua中jquery的调试方法

Lua脚本中所含的js代码，是在splash引擎中执行的，相关打印信息无法执行显示，为了保证jquery代码的正确性，可以对jquery代码进行单独调试。将要抓取的网页单独保存，在网页源码中导入jquery-1.4.2.min.js，在中写入jquery代码，刷新页面就可以对jquery单独调试，调试通过后可以将jquery代码复制进lua中。

 

 

三、以国家药品食品监督管理局网站的数据抓取为例，总结splash的抓取流程，本流程中实现了翻页的动作，分别对翻页的每一页进行操作

首先、在start_requests方法中，对start_url集合中的url，加入meta信息，重新创建request。 在request中植入的js脚本中，不能出现操作本地文件的代码，否则会报http的400状态码，提示该请求不合法，因此保存抓取结果的持久化操作，只有在python的scrapy 的parse中进行；

其次、第一次会返回首页信息及总页数信息，在根据得到的总页数信息，在parse中创建总页数个request，每个request的splash中接收当前的页数，通过模拟跳转到该页进行当前页内容的获取。

附：模拟点击“下一页”，直到“下一页”按钮失效，虽然能将内容抓到，但是在请求中无法通过写文件进行保存，写文件代码会被视为不合法的request请求。

抓取的数据格式如下：

 

抓取的数据格式如下：

 

1.北京东邵渠食品厂(SC11711281711709)"content.jsp?tableId=120&tableName=TABLE120&tableView=食品生产许可获证企业(SC)&Id=594"

2.北京顺利康食品有限公司(SC12411132511803)"content.jsp?tableId=120&tableName=TABLE120&tableView=食品生产许可获证企业(SC)&Id=595"

3.贵港市新鑫米业有限公司(SC10145080300039)"content.jsp?tableId=120&tableName=TABLE120&tableView=食品生产许可获证企业(SC)&Id=596"

4.北京尚世超越食品有限责任公司(SC13111130311819)"content.jsp?tableId=120&tableName=TABLE120&tableView=食品生产许可获证企业(SC)&Id=597"

5.北京溪漫昌兴饮用水有限公司