[英]Is there a way to minimize the length this scrapy spider
我試圖避免硬編碼我的蜘蛛。
作為練習,我從Wikipedia抓取文本時,收到的文本帶有不必要的數據,例如\\n
和[1],[2],...,[5]
。
import scrapy
from scrapy.utils.markup import remove_tags
class Wiki_BD_Spider(scrapy.Spider):
name = 'wiki_black_death'
start_urls = ['https://en.wikipedia.org/wiki/Black_Death']
def parse(self, response):
data = response.xpath('//div[@class = "mw-parser-output"]/p[2]').extract()
for item in data:
yield {
'history': remove_tags(item).replace('\n', '').replace('[1]', '').replace('[2]', '').replace('[3]', '').replace('[4]', '').replace('[5]', '')
}
結果輸出是我希望達到的結果,但是,有沒有一種更好的方法可以使for循環內的代碼更小?
當然,您可以使用re.sub
清理輸出,請嘗試以下代碼:
import scrapy, re
from scrapy.utils.markup import remove_tags
class Wiki_BD_Spider(scrapy.Spider):
name = 'wiki_black_death'
start_urls = ['https://en.wikipedia.org/wiki/Black_Death']
def parse(self, response):
yield {'history': re.sub('\[[0-9]\]','',remove_tags(response.xpath('//div[@class = "mw-parser-output"]/p[2]').extract_first().replace('\n', '')))}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.