为了账号安全,请及时绑定邮箱和手机立即绑定

Scrapy:如何将 url_id 与抓取的数据一起存储

Scrapy:如何将 url_id 与抓取的数据一起存储

眼眸繁星 2021-12-17 16:40:07
from scrapy import Spider, Requestfrom selenium import webdriverclass MySpider(Spider):    name = "my_spider"    def __init__(self):        self.browser = webdriver.Chrome(executable_path='E:/chromedriver')        self.browser.set_page_load_timeout(100)    def closed(self,spider):        print("spider closed")        self.browser.close()    def start_requests(self):        start_urls = []        with open("target_urls.txt", 'r', encoding='utf-8') as f:            for line in f:                url_id, url = line.split('\t\t')                start_urls.append(url)        for url in start_urls:            yield Request(url=url, callback=self.parse)    def parse(self, response):        yield {            'target_url': response.url,            'comments': response.xpath('//div[@class="comments"]//em//text()').extract()        }以上是我的scrapy代码。我scrapy crawl my_spider -o comments.json用来运行爬虫。您可能会注意到,对于每个 my url,都有一个url_id与之相关的独特之处。如何将每个抓取的结果与url_id. 理想情况下,我想url_id将 .yield 输出结果存储在comments.json.
查看完整描述

2 回答

?
繁花不似锦

TA贡献1851条经验 获得超4个赞

meta例如,尝试传入参数。我对你的代码做了一些更新:


def start_requests(self):

    with open("target_urls.txt", 'r', encoding='utf-8') as f:

        for line in f:

            url_id, url = line.split('\t\t')

            yield Request(url, self.parse, meta={'url_id': url_id, 'original_url': url})


def parse(self, response):

    yield {

        'target_url': response.meta['original_url'],

        'url_id': response.meta['url_id'],

        'comments': response.xpath('//div[@class="comments"]//em//text()').extract()

    }


查看完整回答
反对 回复 2021-12-17
?
江户川乱折腾

TA贡献1851条经验 获得超5个赞

回答问题和评论,尝试这样的事情:


from scrapy import Spider, Request

from selenium import webdriver


class MySpider(Spider):

    name = "my_spider"


    def __init__(self):

        self.browser = webdriver.Chrome(executable_path='E:/chromedriver')

        self.browser.set_page_load_timeout(100)



    def closed(self,spider):

        print("spider closed")

        self.browser.close()


    def start_requests(self):


        with open("target_urls.txt", 'r', encoding='utf-8') as f:

            for line in f:

                url_id, url = line.split('\t\t')


                yield Request(url=url, callback=self.parse, meta={'url_id':url_id,'url':url})



    def parse(self, response):

        yield {

        'target_url': response.meta['url'],

        'comments': response.xpath('//div[@class="comments"]//em//text()').extract(),

        'url_id':response.meta['url_id']

    }

正如上一个答案中所说,您可以使用 META ( http://scrapingauthority.com/scrapy-meta )在各种方法之间传递参数。


查看完整回答
反对 回复 2021-12-17
  • 2 回答
  • 0 关注
  • 221 浏览
慕课专栏
更多

添加回答

举报

0/150
提交
取消
微信客服

购课补贴
联系客服咨询优惠详情

帮助反馈 APP下载

慕课网APP
您的移动学习伙伴

公众号

扫描二维码
关注慕课网微信公众号