Question

我是python和scrapy的新手，我正在关注dmoz教程。作为教程建议的起始URL的一个小变体，我从dmoz示例站点中选择了一个日语类别，并注意到我最终获得的feed导出显示的是unicode数值而不是实际的日语字符。

似乎我需要以某种方式使用TextResponse，但我不确定如何让我的蜘蛛使用该对象而不是基本的Response对象。

如何修改我的代码以在输出中显示日语字符？
如何摆脱方括号，单引号和包含输出值的'u'？

最终，我希望输出结果

オンラインショップ（这些是日本人）

而不是

[u'\ u30aa \ u30f3 \ u30e9 \ u30a4 \ u30f3 \ u30b7 \ u30e7 \ u30c3 \ u30d7'] （unicodes）

如果您查看我的屏幕截图，它对应于单元格C7，其中一个文本标题。

这是我的蜘蛛（与教程中的蜘蛛相同，除了不同的start_url）：

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

from dmoz.items import DmozItem

class DmozSpider(BaseSpider):
   name = "dmoz.org"
   allowed_domains = ["dmoz.org"]
   start_urls = [
       "http://www.dmoz.org/World/Japanese/"
   ]

   def parse(self, response):
       hxs = HtmlXPathSelector(response)
       sites = hxs.select('//ul/li')
       items = []
       for site in sites:
           item = DmozItem()
           item['title'] = site.select('a/text()').extract()
           item['link'] = site.select('a/@href').extract()
           item['desc'] = site.select('text()').extract()
           items.append(item)
       return items

settings.py：

FEED_URI = 'items.csv'
FEED_FORMAT = 'csv'

输出截图： http://i55.tinypic.com/eplwlj.png（抱歉，我还没有足够的SO点发布图片）

Answer 1

当您从页面中删除文本时，它将以Unicode格式存储。

您要做的是将其编码为类似UTF8的内容。

unicode_string.encode('utf-8')

此外，当您使用选择器提取文本时，即使只有一个结果，它也会存储在列表中，因此您需要选择第一个元素。

Scrapy输出提供国际unicode字符（例如日语字符）

1 个答案: