首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >从Warc文件中读取的刮取蜘蛛

从Warc文件中读取的刮取蜘蛛
EN

Stack Overflow用户
提问于 2014-11-27 16:00:45
回答 1查看 629关注 0票数 1

我正在寻找一个Scrapy Spider,它不是获取URL并抓取它们,而是作为WARC文件的输入(最好是从S3)并将内容发送给parse方法。

实际上,我需要跳过所有的下载阶段,这意味着我想从start_requests方法中返回一个Response,然后发送到parse方法。

到目前为止,这就是我所拥有的:

代码语言:javascript
复制
class WarcSpider(Spider):

    name = "warc_spider"

    def start_requests(self):
        f = warc.WARCFile(fileobj=gzip.open("file.war.gz"))
        for record in f:
            if record.type == "response":
                payload = record.payload.read()
                headers, body = payload.split('\r\n\r\n', 1)
                url=record['WARC-Target-URI']
                yield Response(url=url, status=200, body=body, headers=headers)


    def parse(self, response):
        #code that creates item
        pass

Scarpy的方法有什么想法吗?

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2014-11-27 20:21:43

你想做的是这样的事情:

代码语言:javascript
复制
class DummyMdw(object):

    def process_request(self, request, spider):
        record = request.meta['record']
        payload = record.payload.read()
        headers, body = payload.split('\r\n\r\n', 1)
        url=record['WARC-Target-URI']
        return Response(url=url, status=200, body=body, headers=headers)


class WarcSpider(Spider):

    name = "warc_spider"

    custom_settings = {
            'DOWNLOADER_MIDDLEWARES': {'x.DummyMdw': 1}
            }

    def start_requests(self):
        f = warc.WARCFile(fileobj=gzip.open("file.war.gz"))
        for record in f:
            if record.type == "response":
                yield Request(url, callback=self.parse, meta={'record': record})


    def parse(self, response):
        #code that creates item
        pass
票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/27174640

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档