刮擦多个链接上的多个插入

时间:2019-06-20 10:09:00

标签: python scrapy

我昨天发布了一个关于该问题的question,但它可能太冗长而无法应对。相反,我决定问同样的问题,但示例问题较少。请考虑以下内容。

注释

    代码中的
  • doc_n代表按年份编制索引的文档。
  • 第一个示例仅在首页上演示了多次插入(成功)
  • 第二个示例演示了我试图在多个页面上插入多个项目时遇到的问题。

#items.py
import scrapy

class GetQuotesItem(scrapy.Item):
    key = scrapy.Field()
    value = scrapy.Field()

#spider.py
import scrapy
from get_quotes.items import GetQuotesItem
from scrapy.loader import ItemLoader

class MySpider(scrapy.Spider):
    name = 'quotes'
    start_urls = ["https://quotes.toscrape.com"]

    def parse(self, response):
       l = ItemLoader(item = GetQuotesItem(), response = response)
       l.add_value('key', 'company')

       for i in range(4):
           l.add_value('value', 'doc_{}'.format(i))

       yield l.load_item()

产量:

{'key': ['company'], 'value': ['doc_0', 'doc_1', 'doc_2', 'doc_3']}

如果我尝试产生相似的结果,但是文档位于单独的文档链接上,例如下面。

class MySpider(scrapy.Spider):
    name = 'quotes'
    start_urls = ["https://quotes.toscrape.com"]

    def parse(self, response):
       l = ItemLoader(item = GetQuotesItem(), response = response)
       l.add_value('key', 'company')

       for i, url in enumerate(response.xpath('/html/body/div/div[2]/div[1]/div[1]/div/a/@href').extract()):
           yield response.follow(url, callback = self.parse_page_two, meta = {'l' : l, 'i' : i})

    def parse_page_two(self, response):
        l = response.meta['l']
        l.add_value('value', 'doc_{}'.format(response.meta['i']))

        yield l.load_item()

产生:

{'key': ['company'], 'value': ['doc_0']}
{'key': ['company'], 'value': ['doc_0', 'doc_1']}
{'key': ['company'], 'value': ['doc_0', 'doc_1', 'doc_2']}
{'key': ['company'], 'value': ['doc_0', 'doc_1', 'doc_2', 'doc_3']}

我猜这是因为代码对每个链接使用load_item(),但是我很好奇是否有可能只返回最终项目和/或将最终项目保存为.json格式例?目前,代码表明here正在编写所有内容,但我只需要最后一个项目。

0 个答案:

没有答案