保存網頁抓取結果（Scrapy）

Question

我寫了一個似乎運行正常的蜘蛛，但我不確定如何保存它正在收集的數據。

蜘蛛從TheScienceForum開始，抓住主要的論壇頁面並為每個頁面制作一個項目。 然后它繼續瀏覽所有單獨的論壇頁面（隨之傳遞項目），將每個線程的標題添加到匹配的論壇項目。 代碼如下：

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.http import Request

from individualProject.items import ProjectItem

class TheScienceForum(BaseSpider):
    name = "TheScienceForum.com"
    allowed_domains = ["www.thescienceforum.com"]
    start_urls = ["http://www.thescienceforum.com"]

    def parse(self, response):
        Sel = HtmlXPathSelector(response)
        forumNames = Sel.select('//h2[@class="forumtitle"]/a/text()').extract()
        items = []
        for forumName in forumNames:
            item = ProjectItem()
            item['name'] = forumName
            items.append(item)


        forums = Sel.select('//h2[@class="forumtitle"]/a/@href').extract()
        itemDict = {}
        itemDict['items'] = items
        for forum in forums:
            yield Request(url=forum,meta=itemDict,callback=self.addThreadNames)  

    def addThreadNames(self, response):
        items = response.meta['items']
        Sel = HtmlXPathSelector(response)
        currentForum = Sel.select('//h1/span[@class="forumtitle"]/text()').extract()
        for item in items:
            if currentForum==item['name']:
                item['thread'] += Sel.select('//h3[@class="threadtitle"]/a/text()').extract()
        self.log(items)


        itemDict = {}
        itemDict['items'] = items
        threadPageNavs = Sel.select('//span[@class="prev_next"]/a[@rel="next"]/@href').extract()
        for threadPageNav in threadPageNavs:  
            yield Request(url=threadPageNav,meta=itemDict,callback=self.addThreadNames)

似乎因為我從不簡單地返回對象（只產生新的請求），數據永遠不會存在於任何地方。 我嘗試使用以下JSON管道：

class JsonWriterPipeline(object):

    def __init__(self):
        self.file = open('items.jl', 'wb')

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

還運行以下蜘蛛：

scrapy crawl TheScienceForum.com -o items.json -t json

但到目前為止沒有任何工作。 我哪里可能出錯？

任何想法或積極的批評都受到熱烈歡迎。

Answer 1

您需要在至少一個回調中yield item 。

Answer 2

@bornytm -

self.addThreadNames 

是您傳遞網址或中間結果的功能。 如果要將其保存到文件csv或json，可以執行以下操作

yield "result"  ("result" can be replaced with your variable to which you are storing data. If you have multiple value , use yield in for loop. )

之后

scrapy crawl TheScienceForum.com -o output.csv -t csv

這會對你有所幫助