python - Scrapy 中的 .json 导出格式

Question

只是一个关于 Scrapy 中 json 导出格式的快速问题。我导出的文件看起来像这样。

{"pages": {"title": "x", "text": "x", "tags": "x", "url": "x"}}
{"pages": {"title": "x", "text": "x", "tags": "x", "url": "x"}}
{"pages": {"title": "x", "text": "x", "tags": "x", "url": "x"}}

但我希望它采用这种格式。我需要以某种方式获取“页面”下的所有其他信息。

{"pages": [
     {"title": "x", "text": "x", "tags": "x", "url": "x"},
     {"title": "x", "text": "x", "tags": "x", "url": "x"},
     {"title": "x", "text": "x", "tags": "x", "url": "x"}
]}

我在 scrapy 或 python 方面不是很有经验，但我已经在我的蜘蛛中完成了除了导出格式之外的所有其他事情。这是我刚刚开始工作的 pipelines.py。

from scrapy.exporters import JsonItemExporter
import json

class RautahakuPipeline(object):

    def open_spider(self, spider):
        self.file = open('items.json', 'w')

    def close_spider(self, spider):
        self.file.close()

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item

这些是我需要提取的 spider.py 中的项目

        items = []
        for title, text, tags, url in zip(product_title, product_text, product_tags, product_url):
            item = TechbbsItem()
            item['pages'] = {}
            item['pages']['title'] = title
            item['pages']['text'] = text
            item['pages']['tags'] = tags
            item['pages']['url'] = url
            items.append(item)
        return items

非常感谢任何帮助，因为这是我项目中的最后一个障碍。

编辑

items = {'pages':[{'title':title,'text':text,'tags':tags,'url':url}
用于标题、文本、标签、zip 中的 url(product_title、product_text、product_tags、product_url)]}

这将以这种格式提取 .json

{"pages": [{"title": "x", "text": "x", "tags": "x", "url": "x"}]}
{“页面”:[{“标题”:“x”，“文本”:“x”，“标签”:“x”，“url”:“x”}]}
{"pages": [{"title": "x", "text": "x", "tags": "x", "url": "x"}]}

这越来越好，但我仍然只需要文件开头的一个“页面”以及它下面数组中的所有其他内容。

编辑 2

我认为我的 spider.py 是“页面”被添加到 .json 文件中每一行的原因，我本来应该发布它的全部代码。在这里。

# -*- coding: utf-8 -*-
import scrapy
from urllib.parse import urljoin

class TechbbsItem(scrapy.Item):
    pages = scrapy.Field()
    title = scrapy.Field()
    text= scrapy.Field()
    tags= scrapy.Field()
    url = scrapy.Field()

class TechbbsSpider(scrapy.Spider):
    name = 'techbbs'
    allowed_domains = ['bbs.io-tech.fi']
    start_urls = ['https://bbs.io-tech.fi/forums/prosessorit-emolevyt-ja-muistit.73/?prefix_id=1' #This is a list page full of used pc-part listings
             ]
    def parse(self, response): #This visits product links in the product list page
        links = response.css('a.PreviewTooltip::attr(href)').extract()
        for l in links:
            url = response.urljoin(l)
            yield scrapy.Request(url, callback=self.parse_product)
        next_page_url = response.xpath('//a[contains(.,"Seuraava ")]/@href').extract_first()
        if next_page_url:
           next_page_url =  response.urljoin(next_page_url) 
           yield scrapy.Request(url=next_page_url, callback=self.parse)

    def parse_product(self, response): #This extracts data from inside the links
        product_title = response.xpath('normalize-space(//h1/span/following-sibling::text())').extract()
        product_text = response.xpath('//b[contains(.,"Hinta:")]/following-sibling::text()[1]').re('([0-9]+)')
        tags = "tags" #This is just a placeholder
        product_tags = tags
        product_url = response.xpath('//html/head/link[7]/@href').extract()

        items = []
        for title, text, tags, url in zip(product_title, product_text, product_tags, product_url):
            item = TechbbsItem()
            item['pages'] = {}
            item['pages']['title'] = title
            item['pages']['text'] = text
            item['pages']['tags'] = tags
            item['pages']['url'] = url
            items.append(item)
        return items

所以我的蜘蛛开始从一个充满产品列表的页面爬行。它访问了 50 个产品链接中的每一个，并抓取了 4 个项目、标题、文本、标签和 url。在抓取一页中的每个链接后，它会转到下一页，依此类推。我怀疑代码中的循环阻止了你的建议对我有用。

我想将 .json 导出为原始问题中提到的确切形式。在文件的开头会有 {"pages": [，然后是所有缩进的项目行
{"title": "x", "text": "x", "tags": "x", "url": "x"}, 最后 ]}

Answer 1

就内存使用而言，这不是一个好的做法，但一个选择是保留一个对象并在进程结束时写入它:

class RautahakuPipeline(object):

    def open_spider(self, spider):
        self.items = { "pages":[] }
        self.file = null # open('items.json', 'w')

    def close_spider(self, spider):
        self.file = open('items.json', 'w')
        self.file.write(json.dumps(self.items))
        self.file.close()

    def process_item(self, item, spider):            
        self.items["pages"].append(dict(item))
        return item

然后，如果内存有问题(无论如何都必须小心对待)，请尝试按如下方式编写 json 文件:

class RautahakuPipeline(object):

    def open_spider(self, spider):
        self.file = open('items.json', 'w')
        header='{"pages": ['
        self.file.write(header)

    def close_spider(self, spider):
        footer=']}'
        self.file.write(footer)
        self.file.close()

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item

希望对你有帮助。