[英]Scrapy - Scraping Recursively and handling double entries
一般來說,我對scrapy和python很陌生,目前正在嘗試從https://www.twitchmetrics.net/channels/viewership為每個給定類別(最受關注、增長最快等)抓取每種語言/游戲組合
這個想法是在每一行中都有一個頻道,其中包含 rank_mostwatched_english_leagueoflegends、rank_fastest_coming_nederlands_dota2 等列。
到目前為止,我管理的不多(並且僅針對“最受關注”類別):
到目前為止我有這個代碼:
import scrapy
import datetime
from abc import ABC
from scrapy.loader import ItemLoader
from scrapy.item import BaseItem
class FlexibleItem(dict, BaseItem):
pass
class ChannelLeaderboardSpider(scrapy.Spider):
name = 'channel_leaderboards'
# Enter first page of the leaderboard URL
start_urls = [
'https://www.twitchmetrics.net/channels/viewership'
]
def parse(self, response):
language_page_links = response.xpath(
'//div[@class="mb-4"][1]//a//@href').getall()
lang_page_links_test = language_page_links[:3]
yield from response.follow_all(lang_page_links_test, self.parse_lang)
def parse_lang(self, response):
# Grab all games for currently parsed language
all_games = response.xpath(
'//div[@class="mb-4"][1]//a//@href').getall()
all_games_test = all_games[:3]
all_channels = response.xpath('//h5')
language = (response.url).partition('lang=')[2]
if language == '':
language = 'all'
else:
pass
for i, channel in enumerate(all_channels, start=1):
il = ItemLoader(item=FlexibleItem(), selector=channel)
il.add_xpath('channel_id', './text()')
il.add_value('rank_mostwatched_'+language+'_all', i)
il.add_value('date', datetime.date.today().strftime('%y-%m-%d'))
yield il.load_item()
yield from response.follow_all(all_games_test, self.parse_games)
def parse_games(self, response):
pass
如您所見,我的下一個想法是獲取當前語言的所有游戲的鏈接。 但是,我不太確定如何繼續。 如何確保正確填充多次出現的頻道? 有沒有更好、更簡潔的方法來做到這一點?
在將請求發送到通道的代碼中,您需要設置 dont_filter=True 以確保抓取重復的 URL。 您也可以關閉重復的中間件,但我通常只使用 dont_filter。 我不熟悉新的遵循所有語法,但我想不要過濾器的工作方式相同。
yield scrapy.Request(url, callback=self.parse_games, dont_filter=True)
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.