python - 无法在单独的方法中同时打印三个字段
问题描述
我创建了一个蜘蛛来从网站上获取不同项目的名称、描述和状态。蜘蛛可以从一个地方抓取名称和描述,但它必须去同一站点的另一个地方才能获取状态。
以下是代表如何手动完成整个事情的步骤,这也有助于理解脚本的构建逻辑。
- 导航到此链接并从此处解析
ids
and 。links connected to ids
- 使用
ids
生成所需状态可用的 json 响应。 - 使用
links connected to ids
解析内页中的名称和描述,如本文所示。
只要蜘蛛以两种不同的方法fetch_status()
和fetch_content()
.
到目前为止,我已经尝试过:
import json
import scrapy
import urllib
from bs4 import BeautifulSoup
class OmronSpider(scrapy.Spider):
name = 'omron'
start_urls = ['https://industrial.omron.de/de/products/nyb']
status_url = 'https://industrial.omron.de/en/api/product_lifecycle_management/search?'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36',
'Accept': '*/*'
}
def parse(self, response):
soup = BeautifulSoup(response.text,"lxml")
for item in soup.select("table.details > tbody > tr.filtered > td.product-name a"):
product_id = item.get_text(strip=True)
product_url = response.urljoin(item.get("href"))
yield scrapy.Request(product_url,headers=self.headers,callback=self.fetch_content)
params = {'q': product_id}
req_url = f'{self.status_url}{urllib.parse.urlencode(params)}'
yield scrapy.Request(req_url,headers=self.headers,callback=self.fetch_status)
def fetch_status(self, response):
item = json.loads(response.text)['data']
if item:
yield {"status":item[0]['status']}
else:
yield {"status":None}
def fetch_content(self, response):
soup = BeautifulSoup(response.text,"lxml")
product_name = soup.select_one("header.page-width > h1").get_text(strip=True)
description = soup.select_one(".content > p").get_text(strip=True)
yield {"product_name":product_name,"description":description}
如何打印三个字段,如product_name
,description
同时status
可能在单独的方法中?
解决方案
您可以使用 将数据从一个回调传递到另一个回调cb_kwargs
。特别是针对您的情况,您希望将已解析的数据 ( product_name
and description
) 传递给您的fetch_status
方法。
下面是一个示例(在测试中我看到status
总是None
不确定是否需要进一步调试)。
我改变了一些额外的东西:
- 使用内置
TextResponse.css
方法选择内容而不是使用BeautifulSoup
(bs4
如果您感觉更舒服,可以使用,但scrapy
有您需要的本示例) - 使用
Response.follow
而不是手工制作 newRequest
(有一些优点,例如可以Selector
像我在parse
方法中所做的那样直接取 a ) - 用于
TextResponse.json
反序列化 json(只是一个快捷方式,而不是导入json
模块)
import scrapy
import urllib
class OmronSpider(scrapy.Spider):
name = "omron"
start_urls = ["https://industrial.omron.de/de/products/nyb"]
status_url = (
"https://industrial.omron.de/en/api/product_lifecycle_management/search?"
)
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36",
"Accept": "*/*",
}
def parse(self, response):
for item in response.css("td.product-name a"):
yield response.follow(item, callback=self.fetch_content)
def fetch_content(self, response):
parsed_data = {
"product_name": response.css("header.page-width > h1::text").get(),
"description": response.css(".content > p::text").get(),
}
params = {"q": parsed_data["product_name"]}
yield response.follow(
f"{self.status_url}{urllib.parse.urlencode(params)}",
callback=self.fetch_status,
cb_kwargs=dict(parsed_data=parsed_data),
headers=self.headers,
)
def fetch_status(self, response, parsed_data):
item = response.json()["data"]
status = item[0]["status"] if item else None
yield {**parsed_data, "status": status}
推荐阅读
- java - 将 Apache POI XLSX 生成的文件上传到 CodeIgniter 网站
- sql - 使用 SSMS 从 oracle db 查询昨天的数据
- php - Google Cloud Vision 客户端库 (PHP) 图像标签 - 结果数量?
- python - Google Sheets API (Python) - 与 Excel VBA 的 CurrentRegion 等效的 Google API 函数是什么?
- amazon-web-services - 更改 AWS Lambda 函数中的返回类型?
- python - 无法打开文件'python':[Errno 2] 没有这样的文件或目录
- ios - 带有通知扩展的已辞职 IPA - 未收到推送通知
- spring - 如何在 Spring Boot 中处理 Hibernate SessionFactory
- sql - 消息 102,级别 15,状态 1,第 28 行“订单”附近的语法不正确
- cmake - 如何在 CMake 项目中正确链接来自 vcpkg 的库