我正在 python 3.5 上使用 scrapy 构建一个爬虫。
我正在众筹论坛中抓取项目并将数据保存在 hdf5 文件中。
抓取项目是通过读取 url 列表来完成的,该 url 列表被抓取,然后每个项目的信息保存为表格行(具有多列)。这是我脚本的顶部:
class ExperimentScraperSpider(scrapy.Spider):
name = 'project_scraper'
allowed_domains = ['projectname.com']
dt = pd.read_csv("urls.csv") #list of urls
start_urls = dt["url"].tolist()
def parse(self, response):
title = response.css('h1.title::text').extract_first() #name of project
tags = response.css('a.tag.category::text').extract() #project tags
...
不幸的是,一些项目信息被放置在子链接中(例如 .../methods)。我想将此链接中的信息与项目中的其他信息放在 hdf5 文件的同一行中。如何做到这一点?
我可以在我已经使用的解析器中构建一个解析器吗?
请您参考如下方法:
一种方法是使用 requests chaining方法。在这里,您从后续页面收集数据并在 Request 的 meta 属性中传递临时数据,直到您最终生成一个完整的项目。
另一种方法是使用 scrapy-inline-requests图书馆。在这里,您可以将临时数据提取合并到您的主要解析方法中。
