3

我正在编写一个爬虫来从网站获取项目的名称。该网站每页有 25 个项目和多个页面（某些项目类型为 200 个）。

这是代码：

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.selector import HtmlXPathSelector
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from lonelyplanet.items import LonelyplanetItem

class LonelyplanetSpider(CrawlSpider):
    name = "lonelyplanetItemName_spider"
    allowed_domains = ["lonelyplanet.com"]
    def start_requests(self):
        for i in xrange(8):
            yield self.make_requests_from_url("http://www.lonelyplanet.com/europe/sights?page=%d" % i)

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    sites = hxs.select('//h2')
    items = []
    for site in sites:
        item = LonelyplanetItem()
        item['name'] = site.select('a[@class="targetUrl"]/text()').extract()
        items.append(item)
    return items

当我运行爬虫并以 csv 格式存储数据时，数据未按顺序存储，即 - 第 2 页数据存储在第 1 页之前或第 3 页存储在第 2 页之前，类似地。有时在存储特定页面的所有数据之前，另一个页面的数据会进入，并且前一页面的其余数据会再次存储。

4

1 回答 1

5

scrapy 是一个异步框架。它使用非阻塞 IO，因此在开始下一个请求之前它不会等待请求完成。

而且由于一次可以发出多个请求，因此不可能知道该parse()方法获取响应的确切顺序。

我的观点是，scrapy 并不是要按特定顺序提取数据。如果你绝对需要保持顺序，这里有一些想法： 按顺序抓取 URL

于 2012-06-15T10:44:57.633 回答