从多个链接获取数据,同时存储在 Scrapy 中的一项中
Posted
技术标签:
【中文标题】从多个链接获取数据,同时存储在 Scrapy 中的一项中【英文标题】:Taking data from multiple links while storing in one item in Scrapy 【发布时间】:2016-02-03 21:50:00 【问题描述】:我目前正在通过 Scraby 学习网络抓取的基础知识,并且遇到了一个特定的问题,即项目被复制而不是扩展。
我从其中抓取数据的第一页有一些链接,我需要按照这些链接来抓取其他链接。这些链接存储为 item['link']。
我的问题是,通过嵌套在循环中的请求遍历这些链接,结果不会附加到原始项目实例,而是作为新实例返回。
因此结果如下所示:
'date': [u'29 June 2015', u'15 September 2015'],
'desc': [u'Audit Committee - 29 June 2015',
u'Audit Committee - 15 September 2015'],
'link': [u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-29-June-2015',
u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-15-September-2015'],
'pdf_url': 'http://www.antrimandnewtownabbey.gov.uk/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-15-September-2015',
'title': [u'2015']
'date': [u'29 June 2015', u'15 September 2015'],
'desc': [u'Audit Committee - 29 June 2015',
u'Audit Committee - 15 September 2015'],
'link': [u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-29-June-2015',
u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-15-September-2015'],
'pdf_url': 'http://www.antrimandnewtownabbey.gov.uk/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-29-June-2015',
'title': [u'2015']
我希望它们包含在同一个对象中,如下所示:
'date': [u'29 June 2015', u'15 September 2015'],
'desc': [u'Audit Committee - 29 June 2015',
u'Audit Committee - 15 September 2015'],
'link': [u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-29-June-2015',
u'/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-15-September-2015'],
'pdf_url': [u'http://www.antrimandnewtownabbey.gov.uk/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-29-June-2015',
u'http://www.antrimandnewtownabbey.gov.uk/Council/Council-and-Committee-Minutes/Audit-Committee/2015/Audit-Committee-15-September-2015'],
'title': [u'2015']
这是我当前的实现(主要基于 Scrapy 教程):
def parse(self, response):
for sel in response.xpath('//div[@class="lower-col-right"]'):
item = CouncilExtractorItem()
item['title'] = sel.xpath('header[@class="intro user-content font-set clearfix"] /h1/text()').extract()
item['link'] = sel.xpath('div[@class="user-content"] /section[@class="listing-item"]/a/@href').extract()
item['desc'] = sel.xpath('div[@class="user-content"] /section[@class="listing-item"]/a/h2/text()').extract()
item['date'] = sel.xpath('div[@class="user-content"] /section[@class="listing-item"]/span/text()').extract()
for url in item['link']:
full_url = response.urljoin(url)
request = scrapy.Request(full_url, callback=self.parse_page2)
request.meta['item'] = item
yield request
def parse_page2(self, response):
item = response.meta['item']
item['pdf'] = response.url
return item
【问题讨论】:
【参考方案1】:您需要通过在前面添加一个点来使您的内部 XPath 表达式特定于上下文:
for sel in response.xpath('//div[@class="lower-col-right"]'):
item = CouncilExtractorItem()
item['title'] = sel.xpath('.//header[@class="intro user-content font-set clearfix"]/h1/text()').extract()
item['link'] = sel.xpath('.//div[@class="user-content"]/section[@class="listing-item"]/a/@href').extract()
item['desc'] = sel.xpath('.//div[@class="user-content"]/section[@class="listing-item"]/a/h2/text()').extract()
item['date'] = sel.xpath('.//div[@class="user-content"]/section[@class="listing-item"]/span/text()').extract()
# ...
【讨论】:
我试了一下,但我的代码肯定有其他问题导致了这个问题。 @user5520937 你确定你在每个内部 xpath 的开头都尝试过.//
吗?
是的 - 这是我遇到的最后一个问题 - 感谢您指出这一点【参考方案2】:
问题是以下两块代码一起工作的组合:
for url in item['link']:
full_url = response.urljoin(url)
request = scrapy.Request(full_url, callback=self.parse_page2)
request.meta['item'] = item
yield request
和
def parse_page2(self, response):
item = response.meta['item']
item['pdf'] = response.url
return item
您正在使用 item
作为每个 URL 的元元素创建新请求,然后您将替换该项目的“pdf”字段,然后生成该项目。最终结果:对于每个 URL,您都会获得一个具有不同 PDF 字段的新重复项。
目前,Scrapy 无法知道您打算如何处理该项目。您需要将代码更改为:A) 跟踪所有 URL,并且仅在处理完所有 URL 后才生成,B) 附加到 item['pdf']
,而不是覆盖它。
【讨论】:
以上是关于从多个链接获取数据,同时存储在 Scrapy 中的一项中的主要内容,如果未能解决你的问题,请参考以下文章