scrapy文本编码

Question

这是我的蜘蛛

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

我的问题是返回的字符串是unicode，我想把它们编码成utf-8。我不知道哪种方法是最好的。我尝试了几种方法，但都没有结果。

提前谢谢你！

Answer 1

Scrapy返回unicode格式的字符串，而不是ascii格式的字符串。要将所有字符串编码为utf-8，您可以这样写：

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

但我认为你期待的是另一个结果。您的代码返回一个包含所有搜索结果的项目。要返回每个结果的项，请执行以下操作：

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

默认情况下，JSON导出器写入unicode转义的符号(例如\u03a4)，因为并不是所有的流都可以处理unicode。它可以选择将它们写成unicode ensure_ascii=False (参见json.dumps的文档)。但我找不到方法将此选项传递给标准提要导出器。

因此，如果您希望导出的项目以utf-8编码编写，例如，为了在文本编辑器中读取它们，您可以编写自定义项目管道。

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()

不要忘记将此管道添加到settings.py：

 ITEM_PIPELINES = ['vrisko.pipelines.JsonWithEncodingPipeline']

你可以定制管道来以更易读的格式写入数据，例如，你可以生成一些格式化的报告。JsonWithEncodingPipeline只是一个基本的例子。

Answer 2

从Scrapy 1.2.0开始，a new setting FEED_EXPORT_ENCODING is introduced。通过将其指定为utf-8，JSON输出将不会被转义。

也就是要添加到您的settings.py中

FEED_EXPORT_ENCODING = 'utf-8'

Answer 3

尝试将以下行添加到Scrapy的配置文件中(即settings.py)：

FEED_EXPORT_ENCODING = 'utf-8'