Question

我正在抓取一个网站将数据导出为语义格式（n3）。但是，我还想对该数据进行一些数据分析，因此以csv格式使用它会更方便。

要以两种格式获取数据，我可以

scrapy spider -t n3 -o data.n3
scrapy spider -t csv -o data.csv

然而，这会使数据刮掉两次，我无法承受大量数据。

有没有办法将相同的抓取数据导出为多种格式？（不会多次下载数据）

我觉得有趣的是有一个可以导出成不同格式的抓取数据的中间表示。但似乎没有办法用scrapy做到这一点。

Answer 1

根据我在浏览源代码和文档后的理解，-t option refers to the FEED_FORMAT setting不能有多个值。此外，FeedExporter内置扩展程序（source）仅适用于单个导出程序。

实际上，请考虑在Scrapy Issue Tracker处制作功能请求。

更像是一种解决方法，定义管道并启动导出多个导出程序。例如，以下是如何导出为CSV和JSON格式：

from collections import defaultdict

from scrapy import signals
from scrapy.exporters import JsonItemExporter, CsvItemExporter


class MyExportPipeline(object):
    def __init__(self):
        self.files = defaultdict(list)

     @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):
        csv_file = open('%s_products.csv' % spider.name, 'w+b')
        json_file = open('%s_products.json' % spider.name, 'w+b')

        self.files[spider].append(csv_file)
        self.files[spider].append(json_file)

        self.exporters = [
            JsonItemExporter(json_file),
            CsvItemExporter(csv_file)
        ]

        for exporter in self.exporters:
            exporter.start_exporting()

    def spider_closed(self, spider):
        for exporter in self.exporters:
            exporter.finish_exporting()

        files = self.files.pop(spider)
        for file in files:
            file.close()

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

使用scrapy以多种格式导出抓取数据

1 个答案: