spider - web scraping python examples

scrapy de salida de script en json

Question

Estoy ejecutando scrapy en un script de python

def setup_crawler(domain):
dispatcher.connect(stop_reactor, signal=signals.spider_closed)
spider = ArgosSpider(domain=domain)
settings = get_project_settings()
crawler = Crawler(settings)
crawler.configure()
crawler.crawl(spider)
crawler.start()
reactor.run()

Se ejecuta con éxito y se detiene, pero ¿dónde está el resultado? Quiero el resultado en formato json, ¿cómo puedo hacer eso?

result = responseInJSON

como hacemos usando comando

scrapy crawl argos -o result.json -t json

Answer 1

¡Fácil!

from scrapy import cmdline
cmdline.execute("scrapy crawl argos -o result.json -t json".split())

Pon ese script donde pones scrapy.cfg

Answer 2

FEED_URI configurar los ajustes FEED_FORMAT y FEED_URI manualmente:

settings.overrides[''FEED_FORMAT''] = ''json''
settings.overrides[''FEED_URI''] = ''result.json''

Si desea obtener los resultados en una variable, puede definir una clase Pipeline que recopilaría elementos en la lista. Utilice el spider_closed señales spider_closed para ver los resultados:

import json
from twisted.internet import reactor
from scrapy.crawler import Crawler
from scrapy import log, signals
from scrapy.utils.project import get_project_settings
class MyPipeline(object):
def process_item(self, item, spider):
results.append(dict(item))
results = []
def spider_closed(spider):
print results
# set up spider
spider = TestSpider(domain=''mydomain.org'')
# set up settings
settings = get_project_settings()
settings.overrides[''ITEM_PIPELINES''] = {''__main__.MyPipeline'': 1}
# set up crawler
crawler = Crawler(settings)
crawler.signals.connect(spider_closed, signal=signals.spider_closed)
crawler.configure()
crawler.crawl(spider)
# start crawling
crawler.start()
log.start()
reactor.run() 

Para tu información, mira cómo Scrapy analiza los argumentos de la línea de comandos .

También vea: Capturar stdout dentro del mismo proceso en Python .

Answer 3

FEED_FORMAT que funcionara simplemente agregando FEED_FORMAT y FEED_URI al constructor CrawlerProcess , utilizando el código de tutorial básico de Scrapy API de la siguiente manera:

process = CrawlerProcess({
''USER_AGENT'': ''Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'',
''FEED_FORMAT'': ''json'',
''FEED_URI'': ''result.json''
})