python - 如何循环遍历多个 URL 以从 Scrapy 中的 CSV 文件中抓取？

Question

我从阿里巴巴网站抓取数据的代码:

import scrapy




class IndiamartSpider(scrapy.Spider):
    name = 'alibot'
    allowed_domains = ['alibaba.com']
    start_urls = ['https://www.alibaba.com/showroom/acrylic-wine-box_4.html']


    def parse(self, response):
        Title = response.xpath('//*[@class="title three-line"]/a/@title').extract()
        Price = response.xpath('//div[@class="price"]/b/text()').extract()
        Min_order = response.xpath('//div[@class="min-order"]/b/text()').extract()
        Response_rate = response.xpath('//i[@class="ui2-icon ui2-icon-skip"]/text()').extract()

        for item in zip(Title,Price,Min_order,Response_rate):
            scraped_info = {
                'Title':item[0],
                'Price': item[1],
                'Min_order':item[2],
                'Response_rate':item[3]

            }
            yield scraped_info

请注意起始网址，它仅删除给定的 URL，但我希望此代码删除 csv 文件中存在的所有网址。我的 csv 文件包含大量 URL。data.csv 文件示例::

'https://www.alibaba.com/showroom/shock-absorber.html',
'https://www.alibaba.com/showroom/shock-wheel.html',
'https://www.alibaba.com/showroom/shoes-fastener.html',
'https://www.alibaba.com/showroom/shoes-women.html',
'https://www.alibaba.com/showroom/shoes.html',
'https://www.alibaba.com/showroom/shoulder-long-strip-bag.html',
'https://www.alibaba.com/showroom/shower-hair-band.html',
...........

如何一次性导入代码中csv文件的所有链接？

Answer 1

要正确循环文件而不将其全部加载到内存中，您应该使用生成器，因为 python/scrapy 中的文件对象和 start_requests 方法都是生成器:

class MySpider(Spider):
    name = 'csv'

    def start_requests(self):
        with open('file.csv') as f:
            for line in f:
                if not line.strip():
                    continue
                yield Request(line)

进一步解释一下:Scrapy 引擎使用 start_requests 来生成请求。它将继续生成请求，直到并发请求限制已满(例如 CONCURRENT_REQUESTS 等设置)。
另外值得注意的是，默认情况下 scrapy 爬行深度优先 - 较新的请求优先，因此 start_requests 循环将最后完成。