使用 Splash 实现点击按钮下载文件

我有一个爬虫用来抓取一些数据和一个 PDF 文件。一切都完成了,除了 PDF。在 file_urls 字段中没有直接的 PDF 下载源。 HTML 如下所示

<a onclick="document.forms[0].target ='_blank';" id="main_0_body_0_lnkDownloadBio" href="javascript:__doPostBack('main_0$body_0$lnkDownloadBio','')">下载完整的<span class="no-wrap">生物<i class="fa fa-angle-right" data-nowrap-cta=""></i></span></a>

似乎是某些 JavaScript 点击方法而不是 src 在起作用。当我们点击这个时,它会打开一个新窗口并提供下载选项。现在我计划使用 Splash 请求和 lua 脚本。以下是代码

class DataSpider(scrapy.Spider):

name = config.NAME
allowed_domains = [config.DOMAIN]

def start_requests(self):

    for url in config.START_URLS:
        yield scrapy.Request(url, self.parse_data)

def parse_data(self, response):
    script = """
    function main(splash)
        local url = splash.args.url
        assert(splash:go(url))
        assert(splash:wait(1))

        -- 回到时间中的上个月并等待一会儿(1 秒钟)
        assert(splash:runjs("document.getElementById('DownloadBio').click()"))
        assert(splash:wait(1))

        -- 将结果返回为 JSON 对象
        return {
            html = splash:html(),
        }
    end
    """

    response = json.loads(response.text)
    res = response['people']
    for index, i in enumerate(res[1]):
        first_name = res[index]['name']
        last_name = res[index]['lastname']
        location = res[index]['location']
        link = res[index]['pageurl']
        link = config.HOST + link
        item = ProtoscraperItem(first_name=first_name, last_name=last_name, title=title, location=location, link=link)

        # 这个请求是用于详细页面的,那里有更多的信息和 PDF。

        request = SplashRequest(link, self.parse_details, meta={
            'splash': {
                'args': {'lua_source': script, 'wait': 30, 'timeout': 40},
                'endpoint': 'execute',
            },)
        request.meta['item'] = item
        request.meta['link'] = link
        yield request

def parse_details(self, response):

    # 在这里做什么

所以在这里我点击了 anchor tag 来执行 javscript。我认为它在起作用,但是没有东西下载。我在这里漏掉了什么。有可能指定下载路径吗?我认为这可能是通过 selenium 实现的,但是我如何使用 Splash 和 lua 实现这一点?

点赞
用户2822770
用户2822770

通过点击按钮,我相信它会调用 ASP.net 中的“__doPostBack”函数。当您单击提交按钮时,将使用特定值提交 form[0]。您需要检查页面以获取提交表单的所有元素。

此操作需要的参数是

__EVENTTARGET,

__EVENTARGUMENT

__VIEWSTATE

__VIEWSTATEGENERATOR

__EVENTVALIDATION

可能还有其他参数,通常这些参数设置为表单中的隐藏值。(请在您的网页上验证)

arguments = {'__EVENTTARGET': 'main_0$body_0$lnkDownloadBio',
             '__EVENTARGUMENT': '',
             '__VIEWSTATE': viewstate,
             '__VIEWSTATEGENERATOR': viewstategen,
             '__EVENTVALIDATION': eventvalid,
             'search': '',
             'filters': '',
             'score': ''
            }

HEADERS = {
            'Content-Type': 'application/x-www-form-urlencoded',
            'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36',
            'Accept': 'text/html, application/xhtml+xml, application/xml;q=0.9, image/webp, image/apng, */*;q=0.8'
          }

data = urllib.urlencode(arguments)
r = requests.post(submitin_url, data, allow_redirects=False, headers=HEADERS)

with open(some_filename, 'wb') as f:
    f.write(r.content)

我在我的项目中有类似的工作,并且我是这样做的。使用 Python 请求发送表单值和参数。响应将是您想要下载的文件。将其写入文件中,并确保扩展名正确。我希望这对您有所帮助。

2017-09-28 05:30:57