----追記----
解決するまで実際に利用しているコードを載せます。
https://github.com/yoshi-fim/crawler
crawler/hellowork/spiders/crawler.py
のpage_parse関数内で問題が発生しております。
※営利目的での利用ではないため、利用規約には抵触しておりません。
表題の書き方がわかりにくくすみません。以下にコードも交えて問題の内容を書いていきます。
Scrapyで
https://teratail.com/questions/219281
を参考にmetaを利用した関数を書いております。
python
1from project.items ProjectItem 2 3# 1ページ目で取得できる情報をitemに記録 4def parse(self, response): 5 # 複数のページを回る 6 for page in page_list: 7 item = ProjectItem() 8 next_url = response.css(......... 9 item['xxx'] = response.css(......... 10 yield scrapy.Request(next_url, callback=self.next_parse, meta={'item': item} 11 12# metaを使って前のページで取得したitemを取得。2ページ目で取得できる情報を追加で記録する 13def next_parse(self, response): 14 item = response.meta['item'] 15 item['yyy'] = response.css(......... 16 17 yield item
というように、記録しています。(実際に記述しているコードはかなり行数が多いため省いて書いております)
この場合、next_parse関数のitem = response.meta['item']から取得できるデータは、parse関数で取得した
python
1item = {'xxx': 'xxxxxxxxxxxxxxx'}
ようなものになる設計です。そして、最後のyield itemでは
python
1item = {'xxx': 'xxxxxxxxxxxxxx', 2 'yyy': 'yyyyyyyyyyyyyy'}
のようなデータをoutputする設計になっています。
※'xxxxxxxxxxxxx'や'yyyyyyyyyyyyyyy'の値はクローリング対象ページのデータによって異なります。
問題になっているのは、next_parse関数のitem = response.meta['item']でitemを取得しようとすると、前回のnext_parse関数実行時にyieldしたitemデータを取得してしまう、ということです。
itemのデータがおかしいことを調べるために
python
1def next_parse(self, response): 2 item = response.meta['item'] 3 import pdb; pdb.set_trace() 4 item['yyy'] = response.css(......... 5 6 yield item
上記のようにpdb.set_trace()を入れて、item変数の中身を確認しました。
この確認により、
python
1item = {'xxx': 'xxxxxxxxxxxxxxx'}
という感じで正常にitemが格納されていることもあれば、
python
1item = {'xxx': 'xxxxxxxxxxxxxx', 2 'yyy': 'yyyyyyyyyyyyyy'}
という感じで、この時点では取得できているはずのない'yyy'の値が入っている場合があることが判明しました。
今まで何度かScrapyコードを書いてきましたが、こういったことは初めてでした。
このような重複が起きうる場合があるのでしょうか?また、それを避ける方法はあるのでしょうか?
ご教授のほどよろしくお願いいたします。
試したこと
yieldしたitemを再度metaに記録したり、インデントのズレが無いかどうかチェックしましたが問題有りませんでした。
また、parse関数でRequestをする直前のitemの中身、next_parse関数でmetaからitemを取得した直後のitemの中身をそれぞれ確認したところ、
next_parseで取得したデータのみに上記の異常が見つかりました。
実行環境
Python 3.8.0
Scrapy 2.3.0
回答1件
あなたの回答
tips
プレビュー