因此，当我将数据导出为 XML 时，我试图将使用 Scrapy 从网站上抓取的数据导出为特定格式。

这是我希望我的 XML 的样子:

<?xml version="1.0" encoding="UTF-8"?>
<data>
  <row>
    <field1><![CDATA[Data Here]]></field1>
    <field2><![CDATA[Data Here]]></field2>
  </row>
</data>

我正在使用以下命令运行我的抓取:

$ scrapy crawl my_scrap -o items.xml -t xml

我得到的当前输出是这样的:

<?xml version="1.0" encoding="utf-8"?>
<items><item><field1><value>Data Here</value></field1><field2><value>Data Here</value></field2></item>

如您所见，它正在添加 <value>字段，我无法重命名根节点或项目节点。我知道我需要使用 XmlItemExporter ，但我不确定如何在我的项目中实现它。

我试图将它添加到 pipelines.py如图所示 here但我总是以错误结束:

AttributeError: 'CrawlerProcess' object has no attribute 'signals'

有人知道使用 XmlItemExporter 将数据导出为 XML 时如何重新格式化数据的示例吗？ ？

编辑:

在我的 piplines.py 中显示我的 XmlItemExporter模块:

from scrapy import signals
from scrapy.contrib.exporter import XmlItemExporter

class XmlExportPipeline(object):

    def __init__(self):
        self.files = {}

    @classmethod
    def from_crawler(cls, crawler):
        pipeline = cls()
        crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)
        crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)
        return pipeline

    def spider_opened(self, spider):
        file = open('%s_products.xml' % spider.name, 'w+b')
        self.files[spider] = file
        self.exporter = XmlItemExporter(file)
        self.exporter.start_exporting()

    def spider_closed(self, spider):
        self.exporter.finish_exporting()
        file = self.files.pop(spider)
        file.close()

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

编辑(显示修改和追溯):

我修改了 spider_opened功能:

 def spider_opened(self, spider):
        file = open('%s_products.xml' % spider.name, 'w+b')
        self.files[spider] = file
        self.exporter = XmlItemExporter(file, 'data', 'row')
        self.exporter.start_exporting()   

我得到的回溯是:

Traceback (most recent call last):
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/twisted/internet/defer.py", line 551, in _runCallbacks
            current.result = callback(current.result, *args, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/core/engine.py", line 265, in <lambda>
            spider=spider, reason=reason, spider_stats=self.crawler.stats.get_stats()))
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/signalmanager.py", line 23, in send_catch_log_deferred
            return signal.send_catch_log_deferred(*a, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/utils/signal.py", line 53, in send_catch_log_deferred
            *arguments, **named)
        --- <exception caught here> ---
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/twisted/internet/defer.py", line 134, in maybeDeferred
            result = f(*args, **kw)
          File "/root/self_opportunity/venv/lib/python2.6/site-packages/scrapy/xlib/pydispatch/robustapply.py", line 47, in robustApply
            return receiver(*arguments, **named)
          File "/root/self_opportunity/self_opportunity/pipelines.py", line 28, in spider_closed
            self.exporter.finish_exporting()
        exceptions.AttributeError: 'XmlExportPipeline' object has no attribute 'exporter'

最佳答案

你可以制作XmlItemExporter只需提供所需节点的名称即可完成大部分所需操作:

XmlItemExporter(file, 'data', 'row')

See the documentation .

关于 value 的问题您字段中的元素是因为这些字段不是标量值。如果 XmlItemExporter 遇到标量值，它只输出 <fieldname>data</fieldname> ，但如果它遇到一个可迭代的值，它将像这样序列化:<fieldname><value>data1</value><value>data2</value></fieldname> .解决方案是停止为您的项目发出非标量字段值。

如果您不愿意这样做，子类 XmlItemExporter并覆盖它的 _export_xml_field当项目值可迭代时执行您想要的操作的方法。 This is the code for XmlItemExporter 这样您就可以看到实现。

关于python - 将 Scrapy 的输出格式化为 XML，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/13962881/