私は、scrapy のCrawlSpider
スパイダー クラスを使用して、リストを反復処理し、start_urls
各サイトの内部ページをクロールして、電子メール アドレスを取得しています。一致した電子メールのリストを含む、start_url ごとに 1 つの (一意の) アイテムを含むファイルをエクスポートしたいと考えています。そのために、make_requests_from_url
andparse
メソッドをオーバーライドして、応答の meta dict (コードを参照) 内の各 start_url 項目を内部ページに渡すことができるようにする必要がありました。このコードの実行による出力は次のとおりです。
www.a.com,['webmaster@a.com']
www.a.com,['webmaster@a.com','info@a.com']
www.a.com,['webmaster@a.com','info@a.com','admin@a.com']
ただし、エクスポートファイルには上記の出力の最後のエントリのみを含めたい
(www.a.com,['admin@a.com,webmaster@a.com, info@a.com'])
それは可能ですか?
コード:
class MySpider(CrawlSpider):
start_urls = [... urls list ...]
def parse(self, response):
for request_or_item in CrawlSpider.parse(self, response):
if isinstance(request_or_item, Request):
request_or_item.meta.update(dict(url_item=response.meta['url_item']))
yield request_or_item
def make_requests_from_url(self, url):
# Create a unique item for each url. Append email to this item from internal pages
url_item = MyItem()
url_item["url"] = url
url_item["emais"] = []
return Request(url, dont_filter=True, meta = {'url_item': url_item})
def parse_page(self, response):
url_item = response.meta["url_item"]
url_item["emails"].append(** some regex of emails from the response object **)
return url_item