我是python和scrapy的新手,我正在关注dmoz教程 . 作为教程建议的起始URL的一个小变体,我从dmoz示例站点中选择了一个日语类别,并注意到我最终获得的feed导出显示的是unicode数值而不是实际的日语字符 .
看起来我需要以某种方式使用TextResponse,但我不确定如何让我的蜘蛛使用该对象而不是基本的Response对象 .
-
如何修改我的代码以在输出中显示日语字符?
-
如何摆脱方括号,单引号和包装输出值的'u'?
最终,我希望有一个输出说
オンラインショップ (这些是日本人的比赛)
而不是当前的输出
[u'\u30aa\u30f3\u30e9\u30a4\u30f3\u30b7\u30e7\u30c3\u30d7'] (unicodes)
如果您查看我的屏幕截图,它对应于单元格C7,其中一个文本 Headers .
这是我的蜘蛛(与教程中的蜘蛛相同,除了不同的start_url):
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from dmoz.items import DmozItem
class DmozSpider(BaseSpider):
name = "dmoz.org"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/World/Japanese/"
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li')
items = []
for site in sites:
item = DmozItem()
item['title'] = site.select('a/text()').extract()
item['link'] = site.select('a/@href').extract()
item['desc'] = site.select('text()').extract()
items.append(item)
return items
settings.py:
FEED_URI = 'items.csv'
FEED_FORMAT = 'csv'
输出截图:http://i55.tinypic.com/eplwlj.png(抱歉,我还没有足够的SO点发布图片)
1 回答
当您从页面中刮取文本时,它将以Unicode格式存储 .
你想要做的是将其编码为类似UTF8的东西 .
此外,当您使用选择器提取文本时,即使只有一个结果,它也会存储在列表中,因此您需要选择第一个元素 .