私はscrapyを使用して非常に単純なWebスクレイパーを作成しました。xlsを読み取り、スクレイピングされたデータを並べ替える既存のモジュールがあるため、スクレイピングされたデータを.xlsファイルに保存したいと思います。しかし、私はばかげたつまずきのように感じるものにぶつかり、実際に.xlsを保存しました。
- スパイダー自体は機能します(必要なデータをクロールしてスクレイプします)
- .xlsは正しく作成され、初期化されています。
- スクレイピングされたデータは、各アイテムをスクレイピングした後にxlsに書き込まれます。
ただし、saveステートメントをどこに置いても、実際のWebスクレイピングが始まる前に保存されているようです。初期化された(最初の行にタイトルが入力されている)が、それ以外の場合は空のスプレッドシートを残します。これが私が持っているものです(無実のサーバーを保存するためにWebサイトが削除されました)
# encoding=utf-8
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item, Field
from xlwt import Workbook
# Working row on new spreadsheet
row_number = 0
# Create new spreadsheet
newDb = Workbook(encoding='utf-8')
newFile = newDb.add_sheet('Sheet1')
values = ['product','description','image']
class TestSpider(CrawlSpider):
# Initiate new spreadsheet
global newFile
global values
global row_number
for cell in range (len(values)):
newFile.write(row_number, cell, values[cell])
row_number = row_number + 1
# Initiate Spider
name = "Test"
allowed_domains = []
start_urls = ["http://www.website.to/scrape",]
rules = (Rule(SgmlLinkExtractor(restrict_xpaths="//div[@class='content']/h3"), callback='parse_product'),)
def parse_product(self, response):
hxs = HtmlXPathSelector(response)
item = TestItem()
item['product'] = hxs.select('//div [@class = "col-right"][1]/table/tr[1]/td/text()').extract()
item['description'] = hxs.select('//div[@class="columns"][1]/div [@class = "col-right"]/p/text()' ).extract()
item['image'] = hxs.select('//img /@src').extract()
global values
global newFile
global row_number
# This is where products are written to the xls
for title in values:
# test to increase row_number, at the start of each new product
if title == "product":
row_number = row_number + 1
try:
newFile.write(row_number, values.index(title), item[title] )
except:
newFile.write(row_number, values.index(title), '')
class TestItem(Item):
product = Field()
description = Field()
image = Field()
追加するだけでいいと言っているのは正しいと思います
global newDb
newDb.save('./products_out.xls')
正しい場所ですが、これをどこに追加しても、printステートメントは、操作の順序が常に次のようになっていることを示しています。作成xls->初期化xls->保存xls->スクレイプしてxlsに書き込む->保存せずに閉じる。
私は開発にかなり慣れていません、そして私はこれに途方に暮れています、どんなアドバイスもありがたいことに受け取られるでしょう。