Question

因此，我尝试将使用Scrapy从网站上抓取的数据导出为特定格式，然后将其导出为XML。

以下是我希望我的XML看起来像：

<?xml version="1.0" encoding="UTF-8"?>
<data>
  <row>
    <field1><![CDATA[Data Here]]></field1>
    <field2><![CDATA[Data Here]]></field2>
  </row>
</data>

我使用命令运行我的刮擦：

$ scrapy crawl my_scrap -o items.xml -t xml

我得到的当前输出是：

<?xml version="1.0" encoding="utf-8"?>
<items><item><field1><value>Data Here</value></field1><field2><value>Data Here</value></field2></item>

如您所见，它正在添加<value>字段，我无法重命名根节点或项目节点。我知道我需要使用XmlItemExporter，但我不确定如何在我的项目中实现这一点。

我尝试将其添加到pipelines.py，因为它显示为here，但我总是最终得到错误：

AttributeError: 'CrawlerProcess' object has no attribute 'signals'

是否有人知道使用XmlItemExporter将数据导出为XML时如何重新格式化数据的示例？

修改

在我的piplines.py模块中显示我的XmlItemExporter：

from scrapy import signals
from scrapy.contrib.exporter import XmlItemExporter

class XmlExportPipeline(object):

    def __init__(self):
        self.files = {}

    @classmethod
    def from_crawler(cls, crawler):
        pipeline = cls()
        crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)
        crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)
        return pipeline

    def spider_opened(self, spider):
        file = open('%s_products.xml' % spider.name, 'w+b')
        self.files[spider] = file
        self.exporter = XmlItemExporter(file)
        self.exporter.start_exporting()

    def spider_closed(self, spider):
        self.exporter.finish_exporting()
        file = self.files.pop(spider)
        file.close()

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

编辑（显示修改和追溯）：

我修改了spider_opened函数：

 def spider_opened(self, spider):
        file = open('%s_products.xml' % spider.name, 'w+b')
        self.files[spider] = file
        self.exporter = XmlItemExporter(file, 'data', 'row')
        self.exporter.start_exporting()

我得到的追溯是：

Traceback (most recent call last):
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/twisted/internet/defer.py", line 551, in _runCallbacks
            current.result = callback(current.result, *args, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/core/engine.py", line 265, in <lambda>
            spider=spider, reason=reason, spider_stats=self.crawler.stats.get_stats()))
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/signalmanager.py", line 23, in send_catch_log_deferred
            return signal.send_catch_log_deferred(*a, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/utils/signal.py", line 53, in send_catch_log_deferred
            *arguments, **named)
        --- <exception caught here> ---
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/twisted/internet/defer.py", line 134, in maybeDeferred
            result = f(*args, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/xlib/pydispatch/robustapply.py", line 47, in robustApply
            return receiver(*arguments, **named)
          File "/root/self_opportunity/self_opportunity/pipelines.py", line 28, in spider_closed
            self.exporter.finish_exporting()
        exceptions.AttributeError: 'XmlExportPipeline' object has no attribute 'exporter'

Answer 1

您可以通过提供所需节点的名称，使XmlItemExporter完成您想要的大部分工作：

XmlItemExporter(file, 'data', 'row')

See the documentation

您在字段中使用value元素时遇到的问题是因为这些字段不是标量值。如果XmlItemExporter遇到标量值，它只会输出<fieldname>data</fieldname>，但如果遇到可迭代值，它将按如下方式序列化：<fieldname><value>data1</value><value>data2</value></fieldname>。解决方案是停止为您的项目发出非标量字段值。

如果您不愿意这样做，请继承XmlItemExporter并重写其_export_xml_field方法，以便在项值可迭代时执行您想要的操作。 This is the code for XmlItemExporter所以你可以看到实施。

将Scrapy的输出格式化为XML

1 个答案: