保存网络爬网结果(刮擦)

Question

我写了一个似乎运行正常的蜘蛛，但我不确定如何保存它正在收集的数据。

蜘蛛从科学论坛开始，抓住主要的论坛页面，并为每个页面制作一个项目。然后，它继续浏览所有单独的论坛页面（随之传递项目），将每个线程的标题添加到匹配的论坛项目。代码如下：

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)

似乎因为我从不简单地返回对象（只产生新请求），所以数据永远不会在任何地方保留。我尝试使用以下 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

并且还使用以下方法运行蜘蛛：

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

但到目前为止，没有任何效果。我可能哪里出错了？

任何想法或积极的批评都受到热烈欢迎。

Answer 1

您需要至少yield item一个回调。

Answer 2

@bornytm -

self.addThreadNames 

是要将 URL 或中间结果传递给的函数。如果要将其保存到文件csv或json中，可以执行以下操作

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. )

然后

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

这将帮助你