我根据下面亚历克斯的建议进行了改进。我需要的是下面的图片。然而,每一行/每一行应该是一个评论:带有日期、评级、评论文本和链接。
我需要让项目处理者处理每一页的每次审查
目前,TakeFirst()只对页面进行第一次审阅。所以10页,我只有10行,如下图所示。
蜘蛛代码如下:
import scrapy
from amazon.items import AmazonItem
class AmazonSpider(scrapy.Spider):
name = "amazon"
allowed_domains = ['amazon.co.uk']
start_urls = [
'http://www.amazon.co.uk/product-reviews/B0042EU3A2/'.format(page) for page in xrange(1,114)
]
def parse(self, response):
for sel in response.xpath('//*[@id="productReviews"]//tr/td[1]'):
item = AmazonItem()
item['rating'] = sel.xpath('div/div[2]/span[1]/span/@title').extract()
item['date'] = sel.xpath('div/div[2]/span[2]/nobr/text()').extract()
item['review'] = sel.xpath('div/div[6]/text()').extract()
item['link'] = sel.xpath('div/div[7]/div[2]/div/div[1]/span[3]/a/@href').extract()
yield item
如果使用< code>-t csv(如Frank在评论中所建议的)由于某种原因对您不起作用,您总是可以在自定义管道中直接使用内置的< code>CsvItemExporter,例如:
from scrapy import signals
from scrapy.contrib.exporter import CsvItemExporter
class AmazonPipeline(object):
@classmethod
def from_crawler(cls, crawler):
pipeline = cls()
crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)
crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)
return pipeline
def spider_opened(self, spider):
self.file = open('output.csv', 'w+b')
self.exporter = CsvItemExporter(self.file)
self.exporter.start_exporting()
def spider_closed(self, spider):
self.exporter.finish_exporting()
self.file.close()
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
您需要将它添加到< code>ITEM_PIPELINES中:
ITEM_PIPELINES = {
'amazon.pipelines.AmazonPipeline': 300
}
此外,我还将使用带有输入和输出处理器的ItemLoader来连接审阅文本并用空格替换新行。创建ItemLoader类:
from scrapy.contrib.loader import ItemLoader
from scrapy.contrib.loader.processor import TakeFirst, Join, MapCompose
class AmazonItemLoader(ItemLoader):
default_output_processor = TakeFirst()
review_in = MapCompose(lambda x: x.replace("\n", " "))
review_out = Join()
然后,用它来构造一个
Item
:
def parse(self, response):
for sel in response.xpath('//*[@id="productReviews"]//tr/td[1]'):
loader = AmazonItemLoader(item=AmazonItem(), selector=sel)
loader.add_xpath('rating', './/div/div[2]/span[1]/span/@title')
loader.add_xpath('date', './/div/div[2]/span[2]/nobr/text()')
loader.add_xpath('review', './/div/div[6]/text()')
loader.add_xpath('link', './/div/div[7]/div[2]/div/div[1]/span[3]/a/@href')
yield loader.load_item()
我从零开始,下面的蜘蛛应该用
scipy crawl亚马逊-t csv-o亚马逊。csv--loglevel=INFO(信息)
所以用电子表格打开CSV-File会显示给我。
希望这能有所帮助:-)
import scrapy
class AmazonItem(scrapy.Item):
rating = scrapy.Field()
date = scrapy.Field()
review = scrapy.Field()
link = scrapy.Field()
class AmazonSpider(scrapy.Spider):
name = "amazon"
allowed_domains = ['amazon.co.uk']
start_urls = ['http://www.amazon.co.uk/product-reviews/B0042EU3A2/' ]
def parse(self, response):
for sel in response.xpath('//table[@id="productReviews"]//tr/td/div'):
item = AmazonItem()
item['rating'] = sel.xpath('./div/span/span/span/text()').extract()
item['date'] = sel.xpath('./div/span/nobr/text()').extract()
item['review'] = sel.xpath('./div[@class="reviewText"]/text()').extract()
item['link'] = sel.xpath('.//a[contains(.,"Permalink")]/@href').extract()
yield item
xpath_Next_Page = './/table[@id="productReviews"]/following::*//span[@class="paging"]/a[contains(.,"Next")]/@href'
if response.xpath(xpath_Next_Page):
url_Next_Page = response.xpath(xpath_Next_Page).extract()[0]
request = scrapy.Request(url_Next_Page, callback=self.parse)
yield request
我正在寻找一个正则表达式来识别管道分隔的csv文件中出现的未转义双引号字符。也就是说,文件是以管道分隔的,每个字段都用双引号括起来,但有些字段包含单双引号字符,应该用额外的双引号转义,以符合RFC4180的要求<例如。 "字段1"|"字段2""文本中的文本""|"正确" "字段1"|"字段2"文本中的文本"|"不正确" 因为在第一行中,一个双引号已正确转义为另一个双引号字符。 我在找一个测试来找出
Node.js may deprecate APIs when either: (a) use of the API is considered to be unsafe, (b) an improved alternative API has been made available, or (c) breaking changes to the API are expected in a fut
框架说明 为了更友好和便利的维护废弃API ,将通过三个函数来实现: markAsWarning 对给予对象上的属性中嵌入一个警告,给予对象需要存在该属性。 removeProperty 重新定义给予对象上移除的属性,并嵌入一个报错,给予对象应不存在该属性。 replaceProperty 重新定义给予对象上移除的属性,并嵌入一个警告和调用新的属性,参数不兼容的需要进行适配,给予对象应不存在该属性
下表所示为 CampusBuilder 中支持的文件导出格式。 序号 分类 格式 名称 说明 1 ThingJS .tjs ThingJS 场景包2020 由 ThingJS 场景文件和自定义模型组成。此格式的文件只能由 ThingJS 打开。 2 ThingJS .tjs ThingJS 场景包2019 由 ThingJS 场景文件和自定义模型组成。此格式的文件只能由 ThingJS 打开。 3
问题内容: 以下代码获取结果,该结果适用于PDF和XLSX。对于HTML,会引发异常。 HTML的例外情况是 : 对于v6.0和v5.6,该错误相同。这曾经在v5.0中可用(某些类在v5.6中已弃用)。 如何导出各种格式的报告,包括HTML? 问题答案: 对于HTML和其他格式: 使用以下命令调用它:
我正在将一个csv文件导入SAS,其中包含一个使用类似于worddatxw的word日期格式的字段。但对于日期后的字母(例如,1而不是1): 我已经走了这么远: 我无法确定如何使用proc import将其导入SAS,同时在SAS内将其转换为可用日期。 我是SAS初学者,所以请使用外行术语。谢谢!:)