- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
我制作了一个简单的 Scrapy 爬虫,用于获取我所在城市的房价广告。
它收集以下数据:广告标题、价格和网址。然后输出一个CSV文件。
每周我都会运行爬虫程序,我希望它能将最新的 CSV 文件与之前的文件进行比较,以检查是否有任何广告已被删除。如果有,我希望将今天的日期包含在 CSV 文件输出的 LAST SEEN 列中。
我不知道这是否可以用 CSV 文件完成,或者这项工作是否需要数据库。我也不知道是否需要创建项目管道。
目前这是我的爬虫代码。
import scrapy
class ExampleSpider(scrapy.Spider):
name = 'example'
start_urls = [
'http://www.example.com/'
]
def parse(self, response):
for item in response.css('li.item a.list-link::attr(href)').extract():
yield scrapy.Request(item, callback=self.parse_item)
next_page = response.xpath('//a[@title="Next page"]/@href').extract_first()
if next_page is not None:
yield scrapy.Request(next_page, callback=self.parse)
def parse_item(self, response):
title = response.css('h1.ad-title::text').extract_first()
price = response.css('span.price::text').extract_first()
yield {
'TITLE': title,
'PRICE': price,
'URL': response.url
}
最佳答案
您可以使用 csv(或任何其他数据结构)执行此操作。
想象一下你爬了两次,现在你必须归档:
$ cat items1.csv
some_url, foo1, bar1
some_url2, foo2, bar2
some_url3, foo3, bar3
$ cat items2.csv
some_url, foo1, bar1
some_url3, foo3, bar3
我们可以做的是从这些文件中加载所有 url,将值转换为 python set
并在您的两个集合上调用 set.difference
以查看有何不同你的数据集。
import csv
def read_file(filename)
with open(filename, 'r') as csvfile:
csvreader = csv.reader(csvfile)
urls = [row[0] for row in csvreader]
return set(urls)
urls1 = read_file('items1.csv')
# returns {'some_url', 'some_url2', 'some_url3'}
urls2 = read_file('items2.csv')
# returns {'some_url', 'some_url3'}
# find the difference
deleted_urls = urls1.difference(urls2)
#returns: {'some_url2'}
关于python - Scrapy:如何检查以前抓取的页面是否已被删除?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42381104/
在一个 scrapy 项目中,人们经常使用中间件。在交互式 session 期间是否也有一种通用方法可以在 scrapy shell 中启用中间件? 最佳答案 尽管如此,在 setting.py 中设
我想对网页中向下滚动生成的内容进行反向工程。问题出在url https://www.crowdfunder.com/user/following_page/80159?user_id=80159&li
我需要帮助将相对URL转换为Scrapy Spider中的绝对URL。 我需要将起始页面上的链接转换为绝对URL,以获取起始页面上已草稿的项目的图像。我尝试使用不同的方法来实现此目标失败,但是我陷入了
我在 Scrapy Python 中制作了一个脚本,它在几个月内一直运行良好(没有更改)。最近,当我在 Windows Powershell 中执行脚本时,它引发了下一个错误: scrapy craw
我已经从 docker 启动了 splash。我为 splash 和 scrapy 创建了大的 lua 脚本,然后它运行我看到了问题: Lua error: error in __gc metamet
我正在使用scrapy 来抓取网站,但发生了不好的事情(断电等)。 我想知道我怎样才能从它坏了的地方继续爬行。我不想从种子开始。 最佳答案 这可以通过将预定的请求持久化到磁盘来完成。 scrapy c
有人可以向我解释一下 Scrapy 中的暂停/恢复功能是如何实现的吗?作品? scrapy的版本我正在使用的是 0.24.5 documentation没有提供太多细节。 我有以下简单的蜘蛛: cla
我想将 apscheduler 与 scrapy.but 我的代码是错误的。 我应该如何修改它? settings = get_project_settings() configure_logging
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我正在抓取一个网站并解析一些内容和图像,但即使对于 100 页左右的简单网站,完成这项工作也需要数小时。我正在使用以下设置。任何帮助将不胜感激。我已经看过这个问题- Scrapy 's Scrapyd
我是爬行新手,想知道是否可以使用 Scrapy 逐步爬行网站,例如 CNBC.com?例如,如果今天我从一个站点抓取所有页面,那么从明天开始我只想收集新发布到该站点的页面,以避免抓取所有旧页面。 感谢
我是scrapy的新手。我正在尝试从 here 下载图像.我在关注 Official-Doc和 this article . 我的 settings.py 看起来像: BOT_NAME = 'shop
我在使用 scrapy 时遇到了一些问题。它没有返回任何结果。我试图将以下蜘蛛复制并粘贴到 scrapy shell 中,它确实有效。真的不确定问题出在哪里,但是当我用“scrapy crawl rx
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
当我使用splash渲染整个目标页面来爬取整个网站时出现问题。某些页面不是随机成功的,所以我错误地获取了支持渲染工作完成后出现的信息。这意味着我尽管我可以从其他渲染结果中获取全部信息,但仅从渲染结果中
如何使用 Scrapy 抓取多个 URL? 我是否被迫制作多个爬虫? class TravelSpider(BaseSpider): name = "speedy" allowed_d
我的scrapy程序无论如何只使用一个CPU内核CONCURRENT_REQUESTS我做。 scrapy中的某些方法是否可以在一个scrapy爬虫中使用所有cpu核心? ps:好像有争论max_pr
我最近用 python 和 Selenium 做了一个网络爬虫,我发现它做起来非常简单。该页面使用 ajax 调用来加载数据,最初我等待固定的 time_out 来加载页面。这工作了一段时间。之后,我
我想用这个命令运行 scrapy 服务器: scrapy server 它失败了,因为没有项目。然后我创建一个空项目来运行服务器,并成功部署另一个项目。但是,scrapy 服务器无法处理这个项目,并告
我正在创建一个网络应用程序,用于从不同网站抓取一长串鞋子。这是我的两个单独的 scrapy 脚本: http://store.nike.com/us/en_us/pw/mens-clearance-s
我是一名优秀的程序员,十分优秀!