我正在尝试从站点抓取数据。数据的结构是多个对象,每个对象都有一组数据。 例如,有姓名、年龄和职业的人。
我的问题是这些数据在网站中分为两个级别。
第一页是,比如说,一个姓名和年龄列表,带有指向每个人个人资料页面的链接。
他们的个人资料页面列出了他们的职业。
我已经有一个用 python 编写的 scrapy 蜘蛛,它可以从顶层收集数据并通过多个分页爬行。
但是,我如何从内页收集数据,同时保持它链接到合适的对象?
目前,我将输出结构化为 json
{[name='name',age='age',occupation='occupation'],
[name='name',age='age',occupation='occupation']} etc
parse 函数可以像这样跨页吗?
最佳答案
这是您需要处理的方式。当项目具有所有属性时,您需要产生/返回项目一次
yield Request(page1,
callback=self.page1_data)
def page1_data(self, response):
hxs = HtmlXPathSelector(response)
i = TestItem()
i['name']='name'
i['age']='age'
url_profile_page = 'url to the profile page'
yield Request(url_profile_page,
meta={'item':i},
callback=self.profile_page)
def profile_page(self,response):
hxs = HtmlXPathSelector(response)
old_item=response.request.meta['item']
# parse other fileds
# assign them to old_item
yield old_item
关于python - 如何使用 scrapy 将多个页面的数据收集到单个数据结构中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14870694/