V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
suguoguosu
V2EX  ›  Python

关于 scrapy 的两个问题,求大牛

  •  
  •   suguoguosu · 2015-03-23 10:04:09 +08:00 · 3234 次点击
    这是一个创建于 3539 天前的主题,其中的信息可能已经有所发展或是发生改变。

    1、原来运行正常的脚本,

    start_urls = ['http://quote.eastmoney.com']
    rules=(
    Rule(LinkExtractor(allow=('/[s][z,h][0,3,6][0]\d{4}.html',)),
    callback='parse_news',follow=True),)

    当添加如下代码试图抓取js生成内容后,就只能抓取到start_urls一页的内容。

    RENDER_HTML_URL = "http://127.0.0.1:8050/render.html"

    def start_requests(self):
        print self.start_urls
        for url in self.start_urls:
            body = json.dumps({"url": url, "wait": 0.5})
            headers = Headers({'Content-Type': 'application/json'})
            yield Request(RENDER_HTML_URL, self.parse_news, method="POST",body=body, headers=headers)
    

    2、pipeline怎么筛选中文?目前的code如下,如何修正?

    !/usr/bin/env python

    -- coding:utf-8 --

    from scrapy.exceptions import DropItem

    class FilterWordsPipeline(object):
    """A pipeline for filtering out items which contain certain words in their
    description"""

    def process_item(self, item, spider):
    
        w = '新股'
        w1 = w.encode('gb2312')
        w2 = w1.decode('gb2312')
    
        if [w1.decode('gb2312')] in item['name']:
            return item
        else:
            print [w1.decode('gb2312')][3:10]
            raise DropItem("======================drop=====================")
    
    2 条回复    2015-03-23 16:43:35 +08:00
    XuTao
        1
    XuTao  
       2015-03-23 11:54:43 +08:00   ❤️ 1
    1、只能抓取到start_urls一页的内容说明你递归的地方出错了

    2、python编码问题,最简单的办法就是都解码成unicode
    withrock
        2
    withrock  
       2015-03-23 16:43:35 +08:00   ❤️ 1
    >>> s = 'v2ex汉字v2ex'
    >>> l = []
    >>> for i in s:
    ... if ord(i) < 0x20 or ord(i) > 0x7E:
    ... continue
    ... l.append(i)
    ...
    >>> print ''.join(l)
    v2exv2ex

    http://git.oschina.net/mktime/scrapy-douban-group
    最近我也在玩scrapy,希望能帮到你。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   4599 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 24ms · UTC 05:36 · PVG 13:36 · LAX 21:36 · JFK 00:36
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.