Question

我正在尝试使用Scrapy从数据库加载一些XPATH规则。

到目前为止我编写的代码工作正常，但是经过一些调试我已经意识到Scrapy正在异步解析每个项目，这意味着我无法控制正在解析哪个项目的顺序。

我想要做的是确定当列表中的哪个项目在点击parse()函数时被解析，因此我可以将该索引引用到我的数据库中的行并获取正确的XPATH查询。我现在这样做的方法是使用一个名为item_index的变量，并在每次迭代后递增它。现在我意识到这还不够，我希望有一些内部功能可以帮助我实现这一目标。

有谁知道跟踪这个的正确方法？我查看了文档，但找不到任何关于它的信息。我还查看了Scrapy source code，但我似乎无法弄清楚URL的列表是如何实际存储的。

这是我的代码，可以进一步解释我的问题：

# -*- coding: utf-8 -*-

from scrapy.spider import Spider
from scrapy.selector import Selector

from dirbot.items import Product

from dirbot.database import DatabaseConnection

# Create a database connection object so we can execute queries
connection = DatabaseConnection()

class DmozSpider(Spider):
    name = "dmoz"
    start_urls = []
    item_index = 0

    # Query for all products sold by a merchant
    rows = connection.query("SELECT * FROM products_merchant WHERE 1=1")

    def start_requests(self):
        for row in self.rows:
            yield self.make_requests_from_url(row["product_url"])

    def parse(self, response):
        sel = Selector(response)
        item = Product()
        item['product_id'] = self.rows[self.item_index]['product_id']
        item['merchant_id'] = self.rows[self.item_index]['merchant_id']
        item['price'] = sel.xpath(self.rows[self.item_index]['xpath_rule']).extract()

        self.item_index+=1

        return item

非常感谢任何指导！

由于

Answer 1

这是我提出的解决方案，以防万一有需要。

正如@toothrot建议的那样，您需要重载Request类中的方法才能访问meta信息。

希望这有助于某人。

# -*- coding: utf-8 -*-

from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy.http import Request

from dirbot.items import Product

from dirbot.database import DatabaseConnection

# Create a database connection object so we can execute queries
connection = DatabaseConnection()

class DmozSpider(Spider):
    name = "dmoz"
    start_urls = []

    # Query for all products sold by a merchant
    rows = connection.query("SELECT * FROM products_merchant WHERE 1=1")

    def start_requests(self):
        for indx, row in enumerate(self.rows):
            self.start_urls.append( row["product_url"] )
            yield self.make_requests_from_url(row["product_url"], {'index': indx})

    def make_requests_from_url(self, url, meta):
       return Request(url, callback=self.parse, dont_filter=True, meta=meta)

    def parse(self, response):

        item_index = response.meta['index']

        sel = Selector(response)
        item = Product()
        item['product_id'] = self.rows[item_index]['product_id']
        item['merchant_id'] = self.rows[item_index]['merchant_id']
        item['price'] = sel.xpath(self.rows[item_index]['xpath_rule']).extract()

        return item

Answer 2

您可以使用Request.meta将索引（或数据库中的行ID）与请求一起传递。它是您可以从处理程序中的Response.meta访问的字典。

例如，当您构建请求时：

Request(url, callback=self.some_handler, meta={'row_id': row['id']})

使用像您这样的计数器尝试不起作用，因为您无法保证处理响应的顺序。

Scrapy - 获取正在解析的项目索引？

2 个答案: