Cum să obțineți session_id atunci când se utilizează Crawlera script Lua în Scrapy Splash?

voturi
0

După cum știți, vom folosi acest script Lua atunci când încercăm să folosim Scrapy Splash cu Crawlera:

function use_crawlera(splash)
    -- Make sure you pass your Crawlera API key in the 'crawlera_user' arg.
    -- Have a look at the file spiders/quotes-js.py to see how to do it.
    -- Find your Crawlera credentials in https://app.scrapinghub.com/
    local user = splash.args.crawlera_user

    local host = 'proxy.crawlera.com'
    local port = 8010
    local session_header = 'X-Crawlera-Session'
    local session_id = 'create'

    splash:on_request(function (request)
        request:set_header('X-Crawlera-Cookies', 'disable')
        request:set_header(session_header, session_id)
        request:set_proxy{host, port, username=user, password=''}
    end)

    splash:on_response_headers(function (response)
        if type(response.headers[session_header]) ~= nil then
            session_id = response.headers[session_header]
        end
    end)
end

function main(splash)
    use_crawlera(splash)
        splash:init_cookies(splash.args.cookies)
        assert(splash:go{
            splash.args.url,
            headers=splash.args.headers,
            http_method=splash.args.http_method,
        })    
            assert(splash:wait(3))
        return {
            html = splash:html(),
            cookies = splash:get_cookies(),
        }
end

Există o session_idvariabilă în acel script Lua care am nevoie de prost, dar cum pot accesa de răspunsul Scrapy lui?

Am incercat response.session_idsau response.headers['X-Crawlera-Session']dar ambele nu funcționează.

Întrebat 27/11/2018 la 15:13
sursa de către utilizator
În alte limbi...                            


2 răspunsuri

voturi
0

Utilizare stropire: set_result_header .

Publicat 05/07/2019 la 16:41
sursa de către utilizator

voturi
0
  1. Întoarcere date HAR , de asemenea , ( https://splash.readthedocs.io/en/stable/scripting-ref.html#splash-har ) în script - ul Lua:
    return {
        html = splash:html(),
        har = splash:har(),
        cookies = splash:get_cookies(),
    }
  1. Presupunând că utilizați Scrapy-stropire ( https://github.com/scrapy-plugins/scrapy-splash ) asigurați - vă că ați setat executepunctul final la cererea dumneavoastră:

meta['splash']['endpoint'] = 'execute'.

Dacă utilizați scrapy.Request, render.json este punctul final implicit, dar pentru scrapy_splash.SplashRequestobiectivul implicit este render.html. Check out aceste 2 exemple pentru a vedea cum pentru a seta punctul final: https://github.com/scrapy-plugins/scrapy-splash#requests

  1. Numai acum aveți acces la X-Crawlera-Sessionantet în metoda Parse:
    def parse(self, response):
        headers = json.loads(response.text)['har']['log']['entries'][0]['response']['headers']
        session_id = next(x for x in headers if x['name'] == 'X-Crawlera-Session')['value']
>>> headers = json.loads(response.text)['har']['log']['entries'][0]['response']['headers']
>>> next(x for x in headers if x['name'] == 'X-Crawlera-Session')
{u'name': u'X-Crawlera-Session', u'value': u'2124641382'}
Publicat 06/07/2019 la 19:59
sursa de către utilizator

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more