2015-07-05 136 views
0

我想用Scrapy刮 - www.paytm.com。該網站使用AJAX請求,以XHR的形式顯示搜索結果。Scrapy刮板問題

我設法追蹤到XHR,而AJAX響應對於JSON是SIMILAR,但實際上並不是JSON。

這是XHR請求之一的鏈接 - https://search.paytm.com/search/?page_count=2&userQuery=tv&items_per_page=30&resolution=960x720&quality=high&q=tv&cat_tree=1&callback=angular.callbacks._6。如果您正確查看網址,則參數 - page_count - 負責顯示不同頁面的結果,而參數userQuery - 負責傳遞到網站的搜索查詢。

現在,如果您看到正確的響應。它實際上並不是JSON,只是看起來類似於JSON(我在http://jsonlint.com/上實現了它)。我想使用SCRAPY (SCRAPY僅僅是因爲它是一個框架,它比使用像BeautifulSoup這樣的其他庫更快,因爲使用它們來創建一個刮擦速度如此之快的刮板會花費很大的精力 - 是我想使用Scrapy的唯一原因。)

現在,這是我的代碼片段,我用來提取從URL的JSON響應 - :

jsonresponse = json.loads(response.body_as_unicode()) 
    print json.dumps(jsonresponse, indent=4, sort_keys=True) 

上執行的代碼,它引發我一個錯誤,述明:

2015-07-05 12:13:23 [scrapy] INFO: Scrapy 1.0.0 started (bot: scrapybot) 
2015-07-05 12:13:23 [scrapy] INFO: Optional features available: ssl, http11 
2015-07-05 12:13:23 [scrapy] INFO: Overridden settings: {'DEPTH_PRIORITY': 1, 'SCHEDULER_MEMORY_QUEUE': 'scrapy.squeues.FifoMemoryQueue', 'SCHEDULER_DISK_QUEUE': 'scrapy.squeues.PickleFifoDiskQueue', 'CONCURRENT_REQUESTS': 100} 
2015-07-05 12:13:23 [scrapy] INFO: Enabled extensions: CloseSpider, TelnetConsole, LogStats, CoreStats, SpiderState 
2015-07-05 12:13:23 [scrapy] INFO: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, MetaRefreshMiddleware, HttpCompressionMiddleware, RedirectMiddleware, CookiesMiddleware, ChunkedTransferMiddleware, DownloaderStats 
2015-07-05 12:13:23 [scrapy] INFO: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware 
2015-07-05 12:13:23 [scrapy] INFO: Enabled item pipelines: 
2015-07-05 12:13:23 [scrapy] INFO: Spider opened 
2015-07-05 12:13:23 [scrapy] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 
2015-07-05 12:13:23 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023 
2015-07-05 12:13:24 [scrapy] DEBUG: Crawled (200) <GET https://search.paytm.com/search/?page_count=2&userQuery=tv&items_per_page=30&resolution=960x720&quality=high&q=tv&cat_tree=1&callback=angular.callbacks._6> (referer: None) 
2015-07-05 12:13:24 [scrapy] ERROR: Spider error processing <GET https://search.paytm.com/search/?page_count=2&userQuery=tv&items_per_page=30&resolution=960x720&quality=high&q=tv&cat_tree=1&callback=angular.callbacks._6> (referer: None) 
Traceback (most recent call last): 
    File "/usr/lib/python2.7/dist-packages/twisted/internet/defer.py", line 577, in _runCallbacks 
    current.result = callback(current.result, *args, **kw) 
    File "Startup App/SCRAPERS/paytmscraper_scrapy/paytmspiderscript.py", line 111, in parse 
    jsonresponse = json.loads(response.body_as_unicode()) 
    File "/usr/lib/python2.7/json/__init__.py", line 338, in loads 
    return _default_decoder.decode(s) 
    File "/usr/lib/python2.7/json/decoder.py", line 366, in decode 
    obj, end = self.raw_decode(s, idx=_w(s, 0).end()) 
    File "/usr/lib/python2.7/json/decoder.py", line 384, in raw_decode 
    raise ValueError("No JSON object could be decoded") 
ValueError: No JSON object could be decoded 
2015-07-05 12:13:24 [scrapy] INFO: Closing spider (finished) 
2015-07-05 12:13:24 [scrapy] INFO: Dumping Scrapy stats: 
{'downloader/request_bytes': 343, 
'downloader/request_count': 1, 
'downloader/request_method_count/GET': 1, 
'downloader/response_bytes': 6483, 
'downloader/response_count': 1, 
'downloader/response_status_count/200': 1, 
'finish_reason': 'finished', 
'finish_time': datetime.datetime(2015, 7, 5, 6, 43, 24, 733187), 
'log_count/DEBUG': 2, 
'log_count/ERROR': 1, 
'log_count/INFO': 7, 
'response_received_count': 1, 
'scheduler/dequeued': 1, 
'scheduler/dequeued/memory': 1, 
'scheduler/enqueued': 1, 
'scheduler/enqueued/memory': 1, 
'spider_exceptions/ValueError': 1, 
'start_time': datetime.datetime(2015, 7, 5, 6, 43, 23, 908135)} 
2015-07-05 12:13:24 [scrapy] INFO: Spider closed (finished) 

現在,我的問題,我如何使用Scrapy刮取這樣的響應?如果需要其他代碼,請隨時在評論中提問。我會甘心給它!

請提供與此相關的完整代碼。這將不勝感激!也許一些操縱JSON響應(來自python)(類似於字符串比較)也適用於我,如果它可以幫助我刮這個!

P.S:我無法每次手動(使用手)修改JSON響應,因爲這是網站給出的響應。所以,請建議一個編程(pythonic)的方式來做到這一點。最好,我想使用Scrapy作爲我的框架。

回答

3

如果你看看非JSON結果,很明顯它包含一個JSON。

如果您從響應中刪除typeof angular.callbacks._6 === "function" && angular.callbacks._6(的初始部分,並在最後刪除);,您將得到一個有效的JSON,您可以使用JSONLint進行驗證。

最終的解決辦法是找到的{}的首次和最後出現分別在響應並提取文本中的(包括那些大括號的),並使用與json.loads而不是整個結果。

+0

不必手動提取JSON。從請求中刪除'&callback = angular.callbacks._6' – 3zzy

0

變化:

https://search.paytm.com/search/?page_count=2&userQuery=tv&items_per_page=30&resolution=960x720&quality=high&q=tv&cat_tree=1&callback=angular.callbacks._6 

到:

https://search.paytm.com/search/?page_count=2&userQuery=tv&items_per_page=30&resolution=960x720&quality=high&q=tv&cat_tree=1 

..和你有JSON。

2

Paytm提供JSON數據,請

https://catalog.paytm.com/v1//g/electronics/mobile-accessories/mobiles

目錄頁返回上傳.json數據,其中包括產品名稱,產品鏈接,報價,實際價格和圖像數據等。

如何獲取某個類別的數據:

在上面的url中,您可以看到catalog.paytm.com/v1//g/,它是所有url的泛型,您需要用以下格式替換url的其他部分。

菜單項目>類別>子類別。

其中電子是菜單項,手機配件是手機類,手機類是手機配件的子類。

當您以上述格式運行url時,paytm將返回json數據,您可以使用以下參數查詢更多頁面的paytm。

PAGE_COUNT和items_per_count

例如:catalog.paytm.com/v1//g/electronics/mobile-accessories/mobiles?page_count=2 & items_per_count = 30

在grid_layout JSON數據搜索

,如果它不可用,該頁面沒有項目,則可以循環出來,否則處理json數據並閱讀產品詳細信息。