- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试使用 ItemLoader 将三个项目组合到一个数组中,如下所示:
[
{
site_title: "Some Site Title",
anchor_text: "Click Here",
link: "http://example.com/page"
}
]
正如您在下面的 JSON 中看到的,它将同一类型的所有项目组合在一起。
我应该如何处理这个问题以输出带有我正在寻找的数组的 JSON?
蜘蛛文件:
import scrapy
from linkfinder.items import LinkfinderItem
from scrapy.loader import ItemLoader
class LinksSpider(scrapy.Spider):
name = "links"
allowed_domains = ["wpseotest.com"]
start_urls = ["https://wpseotest.com"]
def parse(self, response):
l = ItemLoader(item=LinkfinderItem(), response=response)
l.add_xpath('site_title', '//title/text()')
l.add_xpath('anchor_text', '//a//text()')
l.add_xpath('link', '//a/@href')
return l.load_item()
pass
项目.py
import scrapy
from scrapy import item, Field
class LinkfinderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
site_title = Field()
anchor_text = Field()
link = Field()
pass
JSON 输出
[
{"anchor_text": ["Globex Corporation", "Skip to content", "Home", "About", "Globex News", "Events", "Contact Us", "3999 Mission Boulevard,\r", "San Diego, CA 92109", "This is a test scheduled\u00a0post.", "Test Title", "Globex Subsidiary Ice Cream Inc. Creates Chicken Wing\u00a0Flavor", "Globex Inc.", "\r\n", "Blog at WordPress.com."], "link": ["https://wpseotest.com/", "#content", "https://wpseotest.com/", "https://wpseotest.com/about/", "https://wpseotest.com/globex-news/", "https://wpseotest.com/events/", "https://wpseotest.com/contact-us/", "http://maps.google.com/maps?z=16&q=3999+mission+boulevard,+san+diego,+ca+92109", "https://wpseotest.com/2016/08/19/this-is-a-test-scheduled-post/", "https://wpseotest.com/2016/06/28/test-title/", "https://wpseotest.com/2015/10/18/globex-subsidiary-ice-cream-inc-creates-chicken-wing-flavor/", "https://wpseotest.wordpress.com", "https://wordpress.com/?ref=footer_blog"], "site_title": ["Globex Corporation \u2013 We make things better, or, sometimes, worse."]}
]
最佳答案
您想为此处的每个链接生成一个项目吗?
为此,您要做的就是找到文章节点,然后迭代它们并找到稍后组合到字典/scrapy.Item 中的字段。
def parse(self, response):
site_title = response.xpath("//title/text()").extract_first()
links = response.xpath("//a")
for link in links:
l = ItemLoader(selector=link)
l.add_value('site_title', site_title)
l.add_xpath('anchor_text', 'text()')
l.add_xpath('link', '@href')
yield l.load_item()
现在你可以运行scrapycrawl myspider -o output.json
,你应该得到类似的东西:
{[
{"site_title": "title",
"anchor_text": "foo",
"link": "http://foo.com"},
{"site_title": "title",
"anchor_text": "bar",
"link": "http://bar.com"}
...
]
}
关于python - Scrapy ItemLoader 项目组合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40326106/
我正在尝试使用 ItemLoader 解析来自多个页面的数据来填充项目。但正如我现在所看到的,我无法更改初始化 ItemLoader 时使用的选择器。和documentation关于选择器属性的说明:
我已经开始了一个抓取项目,但 ItemLoader 遇到了一个小问题。 假设我在抓取刀中有一些 ItemLoader: l = ScraperProductLoader(item=ScraperPro
这是问题 Scrapy: populate items with item loaders over multiple pages 已接受答案的后续问题。我想使用 ItemLoader 将多个请求中的
我正在使用 Scrapy 的 XPathItemLoader,但它只是 api 文档,向 Item 字段添加值,但没有更深入的 :( 我的意思是: def parse_item(self, respo
我正在尝试使用 ItemLoader 将三个项目组合到一个数组中,如下所示: [ { site_title: "Some Site Title", anchor
我想在他们的教程中使用的 Dmoz 网站上使用 Scrapy,但我不只是通过使用 Item/Field 对来阅读书籍 URL ( http://www.dmoz.org/Computers/Progr
我有这个对象,我正在尝试用 itemLoader 填充: { "domains": "string", "date_insert": "2016-12-23T11:25:00.213Z",
通常,项目加载器会在将值传递给输入处理器之前自动提取数据: Data from xpath1 is extracted, and passed through the input processor
目前我正在使用 XPathItemLoader 来抓取数据: def parse_product(self, response): items = [] l = XPathItemLo
我正在尝试使用 itemLoader 给 Scrapy 中的空项目一个默认值,就像在 items.py 中这样: prod_specs = Field( default=[], inp
我是一个 scrapy 新手,在蜘蛛下面写了。我想写入 xml 或 csv,其中 csv 中的每一行或 xml 中的每个项目作为名称、电话、地址。 我正在使用命令:scrapy爬行abc -o ite
我是一名优秀的程序员,十分优秀!