Selenium，Scrapy Iteration（单击下一步）仅从第一页提取项目的 href

Question

我尝试提取每个项目的href（每页六个）。要转到下一页，我使用 next_click()。 Selenium webdriver 打开并单击所有页面（到目前为止还不错）。但只从第一页中提取项目。那是五次（与存在的页面一样多）。看起来，它识别出正确数量的项目，但只重新提取第一页的项目。注意：如果您单击下一页，则 url 保持不变。非常感谢您的帮助！

import scrapy
from pprint import pprint
import time
from scrapy.linkextractors import LinkExtractor
from selenium import webdriver
class contentSpider(scrapy.Spider):
    name = "university"
    start_urls = [
            'http://unisg.prospective.ch/index.cfm'   
        ]
    
    def __init__(self):
        self.driver = webdriver.Firefox()
    
    def parse(self, response):
        self.driver.get(response.url)
        
        while True:
            next = self.driver.find_element_by_xpath('//a[@id="btn-forward"]')

            try:
                next.click()
   
                time.sleep(3)

                items = response.xpath('//div[@class="section group jobContent countJobRecords"]')
                for i in items:
                    list_div = s.xpath('.//div')
                    link = list_div.xpath('.//a/@href').extract_first()
                    yield joblink_item(link=link)

            except:
                    break
                   

Answer 1

response 是由 scrapy 创建的，而self.driver 是一个 selenium 对象。
两者互不了解，更新一个不会自动更新另一个。
因此，您只需一遍又一遍地从相同的响应中提取相同的数据。

有几种方法可以解决您的问题：

1. 在 scrapy 中做所有事情
2. 在 selenium 中做所有事情
3. 从 selenium 获取更新的 html 并创建新的 scrapy 选择器

由于有问题的网站似乎根本不需要硒（单击下一步按钮只是发送一个发布请求），我会推荐第一个选项。

Scrapy-only方法说明：

如果您在单击下一页按钮时查看浏览器开发人员工具的网络选项卡，您将看到包含以下详细信息的请求：

要得到你想要的数据，你只需要修改并执行这个请求。
测试表明，甚至可以使用单个请求获取所有数据：

>>> request = scrapy.FormRequest(
...     url="http://unisg.prospective.ch/index.cfm",
...     formdata={"offset": "0", "limit": "30", "lang": "de", "query": ""},
... )
>>> fetch(request)
2020-11-05 11:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <POST http://unisg.prospective.ch/index.cfm> (referer: Non
e)
>>> len(response.css('.jobContent'))
30