Scrapy CrawlSpider 后处理：求平均值

Question

假设我有一个与此示例类似的爬行蜘蛛： 从 scrapy.contrib.spiders 导入 CrawlSpider，规则 从 scrapy.contrib.linkextractors.sgml 导入 SgmlLinkExtractor 从 scrapy.selector 导入 HtmlXPathSelector from scrapy.item import Item

class MySpider(CrawlSpider):
    name = 'example.com'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com']

    rules = (
        # Extract links matching 'category.php' (but not matching 'subsection.php')
        # and follow links from them (since no callback means follow=True by default).
        Rule(SgmlLinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),

        # Extract links matching 'item.php' and parse them with the spider's method parse_item
        Rule(SgmlLinkExtractor(allow=('item\.php', )), callback='parse_item'),
    )

    def parse_item(self, response):
        self.log('Hi, this is an item page! %s' % response.url)

        hxs = HtmlXPathSelector(response)
        item = Item()
        item['id'] = hxs.select('//td[@id="item_id"]/text()').re(r'ID: (\d+)')
        item['name'] = hxs.select('//td[@id="item_name"]/text()').extract()
        item['description'] = hxs.select('//td[@id="item_description"]/text()').extract()
        return item

假设我想获取一些信息，例如每个页面的 ID 总和，或者所有已解析页面的描述中的平均字符数。我该怎么做呢？

另外，我如何获得特定类别的平均值？

Answer 1

您可以使用 Scrapy 的 统计收集器 来构建此类信息或收集必要的数据所以随你去吧。对于每个类别的统计数据，您可以使用每个类别的统计数据键。

要快速转储抓取过程中收集的所有统计信息，您可以将 STATS_DUMP = True 添加到 settings.py 中。

Redis （来自 redis-py) 也是统计信息收集的一个不错的选择。