Voglio utilizzare Scrapy sul sito Web di Dmoz che usano nei loro tutorial, ma invece di limitarsi a leggere i libri nell'URL dei libri (http://www.dmoz.org/Computers/Programming/Languages/Python/Books/) utilizzando le coppie Item/Field, desidero creare un Itemloader che leggerà i valori desiderati (nome, titolo, descrizione).Utilizzo di Scrapy Itemloader in un loop
Questo è il mio file items.py:
from scrapy.item import Item, Field
from scrapy.contrib.loader import ItemLoader
from scrapy.contrib.loader.processor import Identity
class DmozItem(Item):
title = Field(
output_processor=Identity()
)
link = Field(
output_processor=Identity()
)
desc = Field(
output_processor=Identity()
)
class MainItemLoader(ItemLoader):
default_item_class = DmozItem
default_output_processor = Identity()
E il mio file di ragno:
import scrapy
from scrapy.spiders import Spider
from scrapy.loader import ItemLoader
from tutorial.items import MainItemLoader, DmozItem
from scrapy.selector import Selector
class DmozSpider(Spider):
name = 'dmoz'
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"
]
def parse(self, response):
for sel in response.xpath('//div[@class="site-item "]/div[@class="title-and-desc"]'):
l = MainItemLoader(response=response)
l.add_xpath('title', '/a/div[@class="site-title"]/text()')
l.add_xpath('link', '/a/@href')
l.add_xpath('desc', '/div[@class="site-descr "]/text()')
yield l.load_item()
Ho provato un certo numero di diverse alternative. Sospetto che il problema principale sia nella parte "response = response" della dichiarazione di itemloader, ma non posso creare teste o code della documentazione scrapy a riguardo. Potresti usare la sintassi del selector = "blah" dove dovrei guardare?
Se lo eseguo, ottengo un elenco di 22 parentesi vuote (il numero corretto di libri). Se cambio la prima barra in ogni linea add_xpath per essere una doppia barra, ottengo 22 liste identiche contenenti TUTTI i dati (non sorprendentemente).
Come posso scrivere questo in modo che itemloader crei un nuovo elenco contenente i campi desiderati per ciascun libro diverso?
Grazie!
Grazie mille! Non posso credere che la soluzione sia stata così semplice! Come follow-up, credo che sia così, ma gradirei una conferma: non è possibile utilizzare regex nell'effettiva istruzione add_xpath, ma si tratta piuttosto di un processore di input, corretto? Ancora una volta, grazie, questo è stato un tale gadget. –
@PauloBlack, puoi ancora usare le espressioni regolari - usa l'argomento 're', sample [here] (http://doc.scrapy.org/en/latest/topics/loaders.html#scrapy.loader.ItemLoader. add_xpath). – alecxe