Web サイトからアイテムの名前を取得するクローラーを作成しています。この Web サイトには、1 ページあたり 25 のアイテムと複数のページがあります (アイテムの種類によっては 200 です)。
コードは次のとおりです。
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from lonelyplanet.items import LonelyplanetItem
class LonelyplanetSpider(CrawlSpider):
name = "lonelyplanetItemName_spider"
allowed_domains = ["lonelyplanet.com"]
def start_requests(self):
for i in xrange(8):
yield self.make_requests_from_url("http://www.lonelyplanet.com/europe/sights?page=%d" % i)
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//h2')
items = []
for site in sites:
item = LonelyplanetItem()
item['name'] = site.select('a[@class="targetUrl"]/text()').extract()
items.append(item)
return items
クローラーを実行してデータを csv 形式で保存すると、データが順番に保存されません。つまり、ページ 2 のデータはページ 1 の前に保存され、ページ 3 はページ 2 の前に保存されます。また、特定のページのすべてのデータが保存される前に、別のページのデータが入ってきて、前のページの残りのデータが再度保存されることがあります。