web-dev-qa-db-ja.com

スクレイピーテキストエンコーディング

これが私のクモです

from scrapy.contrib.spiders import CrawlSpider,Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from vrisko.items import VriskoItem

class vriskoSpider(CrawlSpider):
    name = 'vrisko'
    allowed_domains = ['vrisko.gr']
    start_urls = ['http://www.vrisko.gr/search/%CE%B3%CE%B9%CE%B1%CF%84%CF%81%CE%BF%CF%82/%CE%BA%CE%BF%CF%81%CE%B4%CE%B5%CE%BB%CE%B9%CE%BF']
    rules = (Rule(SgmlLinkExtractor(allow=('\?page=\d')),'parse_start_url',follow=True),)

    def parse_start_url(self, response):
        hxs = HtmlXPathSelector(response)
        vriskoit = VriskoItem()
        vriskoit['eponimia'] = hxs.select("//a[@itemprop='name']/text()").extract()
        vriskoit['address'] = hxs.select("//div[@class='results_address_class']/text()").extract()
        return vriskoit

私の問題は、返された文字列がユニコードであり、utf-8にエンコードしたいということです。私はこれを行うための最良の方法がわからない。結果なしでいくつかの方法を試しました。

前もって感謝します!

29
mindcast

Scrapyは、ASCIIではなくUnicodeで文字列を返します。すべての文字列をutf-8にエンコードするには、次のように記述できます。

vriskoit['eponimia'] = [s.encode('utf-8') for s in hxs.select('//a[@itemprop="name"]/text()').extract()]

しかし、あなたは別の結果を期待していると思います。コードは、すべての検索結果を含むoneアイテムを返します。各結果のアイテムを返すには:

hxs = HtmlXPathSelector(response)
for eponimia, address in Zip(hxs.select("//a[@itemprop='name']/text()").extract(),
                             hxs.select("//div[@class='results_address_class']/text()").extract()):
    vriskoit = VriskoItem()
    vriskoit['eponimia'] = eponimia.encode('utf-8')
    vriskoit['address'] = address.encode('utf-8')
    yield vriskoit

更新

JSONエクスポーターは、すべてのストリームがUnicodeを処理できるわけではないため、デフォルトでエスケープされたUnicodeシンボル(たとえば、\u03a4)を書き込みます。 unicode ensure_ascii=Falsejson.dumps のドキュメントを参照)として記述するオプションがあります。しかし、このオプションを標準のフィードエクスポーターに渡す方法が見つかりません。

エクスポートされたアイテムをutf-8エンコーディングで記​​述したい場合、例えばテキストエディターで読み込むには、カスタムアイテムパイプラインを記述できます。

pipelines.py:

import json
import codecs

class JsonWithEncodingPipeline(object):

    def __init__(self):
        self.file = codecs.open('scraped_data_utf8.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(line)
        return item

    def spider_closed(self, spider):
        self.file.close()

このパイプラインをsettings.pyに追加することを忘れないでください:

 ITEM_PIPELINES = ['vrisko.pipelines.JsonWithEncodingPipeline']

パイプラインをカスタマイズして、人間が読める形式でデータを書き込むことができます。書式設定されたレポートを生成できます。 JsonWithEncodingPipelineは基本的な例です。

35
reclosedev

Scrapy 1.2.0以降、 新しい設定FEED_EXPORT_ENCODINGが導入されましたutf-8として指定することにより、JSON出力はエスケープされません。

それはあなたのsettings.pyを追加することです:

FEED_EXPORT_ENCODING = 'utf-8'
58
Lacek

pythonとスクレイピーでエンコードするために多くの問題がありました。すべてのエンコードデコードの問題を確実に回避するために、最善のことは書くことです:

unicode(response.body.decode(response.encoding)).encode('utf-8')
4
mikeulkeul

Scrapyの設定ファイルに次の行を追加してみてください(つまりsettings.py):

FEED_EXPORT_ENCODING = 'utf-8'
2
FreeCat

簡単な方法を見つけました。 JSONデータを 'utf8'で 'SpiderName'.jsonに保存します

from scrapy.exporters import JsonItemExporter

class JsonWithEncodingPipeline(object):

    def __init__(self):
        self.file = open(spider.name + '.json', 'wb')
        self.exporter = JsonItemExporter(self.file, encoding='utf-8', ensure_ascii=False)
        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
1
Guan-Ming Huang

前述のように、JSONエクスポーターはエスケープされたUnicodeシンボルを書き込み、Unicode ensure_ascii=False

Utf-8エンコーディングでアイテムをエクスポートするには、これをプロジェクトのsettings.pyファイル:

from scrapy.exporters import JsonLinesItemExporter
class MyJsonLinesItemExporter(JsonLinesItemExporter):
    def __init__(self, file, **kwargs):
        super(MyJsonLinesItemExporter, self).__init__(file, ensure_ascii=False, **kwargs)

FEED_EXPORTERS = {
    'jsonlines': 'yourproject.settings.MyJsonLinesItemExporter',
    'jl': 'yourproject.settings.MyJsonLinesItemExporter',
}

次に実行します:

scrapy crawl spider_name -o output.jl
0
banzayats