web-dev-qa-db-ja.com

jsonのスクリプト出力からのスクレイピー

pythonスクリプトでscrapyを実行しています

def setup_crawler(domain):
    dispatcher.connect(stop_reactor, signal=signals.spider_closed)
    spider = ArgosSpider(domain=domain)
    settings = get_project_settings()
    crawler = Crawler(settings)
    crawler.configure()
    crawler.crawl(spider)
    crawler.start()
    reactor.run()

それは正常に実行されて停止しますが、結果はどこにありますか？結果をjson形式で取得したいのですが、どうすればよいですか？

result = responseInJSON

コマンドを使用するように

scrapy crawl argos -o result.json -t json
pythonjsonweb-scrapingscrapyscrapy-spider
21
Wasif Khalil

FEED_FORMAT および FEED_URI 設定を手動で設定する必要があります：

settings.overrides['FEED_FORMAT'] = 'json'
settings.overrides['FEED_URI'] = 'result.json'

結果を変数に取得したい場合は、項目をリストに収集する Pipeline クラスを定義できます。 spider_closedシグナルハンドラーを使用して結果を表示します。

import json

from twisted.internet import reactor
from scrapy.crawler import Crawler
from scrapy import log, signals
from scrapy.utils.project import get_project_settings


class MyPipeline(object):
    def process_item(self, item, spider):
        results.append(dict(item))

results = []
def spider_closed(spider):
    print results

# set up spider    
spider = TestSpider(domain='mydomain.org')

# set up settings
settings = get_project_settings()
settings.overrides['ITEM_PIPELINES'] = {'__main__.MyPipeline': 1}

# set up crawler
crawler = Crawler(settings)
crawler.signals.connect(spider_closed, signal=signals.spider_closed)
crawler.configure()
crawler.crawl(spider)

# start crawling
crawler.start()
log.start()
reactor.run()

参考までに、Scrapy コマンドライン引数を解析する を見てください。

以下も参照してください Pythonの同じプロセス内でstdoutをキャプチャする 。

25
alecxe

以下の基本的なScrapy APIチュートリアルコードを使用して、FEED_FORMATとFEED_URIをCrawlerProcessコンストラクターに追加するだけでうまく機能しました。

process = CrawlerProcess({
'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
'FEED_FORMAT': 'json',
'FEED_URI': 'result.json'
})
15
Alvaro Cavalcanti

かんたん！

from scrapy import cmdline

cmdline.execute("scrapy crawl argos -o result.json -t json".split())

scrapy.cfgを置く場所にそのスクリプトを置きます

6
Aminah Nuraini