python – Scrapy – 输出到多个JSON文件

2023年1月25日 500次阅读

我是Scrapy的新手.我正在研究使用它来抓取整个网站的链接,在其中我将项目输出到多个
JSON文件中.然后,我可以将它们上传到Amazon Cloud Search进行索引.是否可以将项目拆分为多个文件,而不是最终只有一个巨大的文件？根据我的阅读,项目导出器只能输出每个蜘蛛一个文件.但我只使用一个CrawlSpider来完成这项任务.如果我可以设置每个文件中包含的项目数限制,如500或1000,那将是很好的.

这是我到目前为止设置的代码(基于本教程中使用的Dmoz.org)：

dmoz_spider.py

import scrapy

from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from tutorial.items import DmozItem

class DmozSpider(CrawlSpider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/",
    ]

    rules = [Rule(LinkExtractor(), callback='parse_item', follow=True)]

    def parse_item(self, response):
       for sel in response.xpath('//ul/li'):
            item = DmozItem()
            item['title'] = sel.xpath('a/text()').extract()
            item['link'] = sel.xpath('a/@href').extract()
            item['desc'] = sel.xpath('text()').extract()
            yield item

items.py

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

谢谢您的帮助.

最佳答案 我不认为内置Feed导出器支持写入多个文件.

一种选择是基本上导出到jsonlines format中的单个文件,每行一个JSON对象,便于管道和拆分.

然后,单独地,在爬网完成后,您可以read the file in the desired chunks并写入单独的JSON文件.

So I could then upload them to Amazon Cloud Search for indexing.

请注意,有直接Amazon S3 exporter(不确定它有帮助,只是FYI).

点赞