Question

我将蜘蛛上传到了 scrapyhub 。我知道如何使用我的* .txt文件上传，但是如何使用它？

我的 setup.py 文件看起来像

setup(
    name         = 'project',
    version      = '1.0',
    packages     = find_packages(),
    package_data={
        'youtube_crawl': ['resources/Names.txt']
    },
    entry_points = {'scrapy': ['settings = youtube_crawl.settings']},
)

然后我要使用此 Name.txt 。

在上传蜘蛛之前

def parse(self, response):
        with open('resources/Names.txt','rt') as f:
            for link in f:
                url = "https://www.youtube.com/results?search_query={}".format(link)
                name = link.replace('+',' ')
                yield Request(url, meta={'name':name}, callback=self.parse_page, dont_filter=True)

所以我的问题是：如何在抓取中心使用文件？

我尝试了这段代码，但不了解它是如何工作的，以及如何与我的代码集成=）

data = pkgutil.get_data("youtube_crawl", "resources/Names.txt")

该函数返回一个二进制字符串，该字符串是指定资源的内容。

Answer 1

这行代码：

data = pkgutil.get_data("youtube_crawl", "resources/Names.txt")

等效于此块：

with open('resources/Names.txt') as f:
    data = f.read()
f.closed

所以现在您可以逐行读取二进制字符串：

def parse(self, response):
    data = pkgutil.get_data("youtube_crawl", "resources/Names.txt")

    for link in data.split('\n'):
        url = "https://www.youtube.com/results?search_query={}".format(link)
        name = link.replace('+',' ')
        yield Request(url,
                      meta={'name':name},
                      callback=self.parse_page,
                      dont_filter=True)

请参阅Python 3 pkgutil或inputoutput文档页面以了解更多详细信息。

scrapinghub上传和使用文件

1 个答案: