Question

为了磨练我的python和Spark GraphX技能，我一直在尝试构建Pinboard用户和书签的图表。为此，我以下列方式递归地抓取Pinboard书签：

从用户开始并抓取所有书签
对于由url_slug标识的每个书签，找到已保存相同书签的所有用户。
对于步骤2中的每个用户，重复此过程（转到1，...）

尽管已尝试过多个线程的建议（包括使用规则），但当我尝试实现此逻辑时，我收到以下错误：

错误：Spider必须返回Request，BaseItem，dict或None，得到 '发电机'

我强烈怀疑我的代码中混合了yield / return。

这里有我的代码的简短描述：

我的主要解析方法查找一个用户的所有书签项目（也跟随任何以前具有同一用户书签的页面）并生成parse_bookmark方法来刮取这些书签。

class PinSpider(scrapy.Spider):
    name = 'pinboard'

    # Before = datetime after 1970-01-01 in seconds, used to separate the bookmark pages of a user
    def __init__(self, user='notiv', before='3000000000', *args, **kwargs):
        super(PinSpider, self).__init__(*args, **kwargs)
        self.start_urls = ['https://pinboard.in/u:%s/before:%s' % (user, before)]
        self.before = before

    def parse(self, response):
        # fetches json representation of bookmarks instead of using css or xpath
        bookmarks = re.findall('bmarks\[\d+\] = (\{.*?\});', response.body.decode('utf-8'), re.DOTALL | re.MULTILINE)

        for b in bookmarks:
            bookmark = json.loads(b)
            yield self.parse_bookmark(bookmark)

        # Get bookmarks in previous pages
        previous_page = response.css('a#top_earlier::attr(href)').extract_first()
        if previous_page:
            previous_page = response.urljoin(previous_page)
            yield scrapy.Request(previous_page, callback=self.parse)

此方法抓取书签的信息，包括相应的url_slug，将其存储在PinscrapyItem中，然后生成scrapy.Request来解析url_slug：

def parse_bookmark(self, bookmark):
    pin = PinscrapyItem()

    pin['url_slug'] = bookmark['url_slug']
    pin['title'] = bookmark['title']
    pin['author'] = bookmark['author']

    # IF I REMOVE THE FOLLOWING LINE THE PARSING OF ONE USER WORKS (STEP 1) BUT NO STEP 2 IS PERFORMED  
    yield scrapy.Request('https://pinboard.in/url:' + pin['url_slug'], callback=self.parse_url_slug)

    return pin

最后，parse_url_slug方法找到保存此书签的其他用户，并递归地生成scrape.Request来解析每个用户。

def parse_url_slug(self, response):
    url_slug = UrlSlugItem()

    if response.body:
        soup = BeautifulSoup(response.body, 'html.parser')

        users = soup.find_all("div", class_="bookmark")
        user_list = [re.findall('/u:(.*)/t:', element.a['href'], re.DOTALL) for element in users]
        user_list_flat = sum(user_list, []) # Change from list of lists to list

        url_slug['user_list'] = user_list_flat

        for user in user_list:
            yield scrapy.Request('https://pinboard.in/u:%s/before:%s' % (user, self.before), callback=self.parse)

    return url_slug

（为了以更简洁的方式呈现代码，我删除了存储其他有趣字段或检查重复字段等的部分。）

非常感谢任何帮助！

Answer 1

问题在于您的下面的代码块

yield self.parse_bookmark(bookmark)

因为在parse_bookmark中你有两行以下

# IF I REMOVE THE FOLLOWING LINE THE PARSING OF ONE USER WORKS (STEP 1) BUT NO STEP 2 IS PERFORMED  
yield scrapy.Request('https://pinboard.in/url:' + pin['url_slug'], callback=self.parse_url_slug)

return pin

由于你有yield这个函数的返回值是一个生成器。并且你将这个发生器收回Scrapy并且它不知道如何处理它。

修复很简单。将您的代码更改为

yield from self.parse_bookmark(bookmark)

这将从发电机而不是发电机本身一次产生一个值。或者你也可以这样做

for ret in self.parse_bookmark(bookmark):
    yield ret

修改-1

更改您的功能以首先生成项目

yield pin yield scrapy.Request('https://pinboard.in/url:' + pin['url_slug'], callback=self.parse_url_slug)

还有其他人

url_slug['user_list'] = user_list_flat yield url_slug for user in user_list: yield scrapy.Request('https://pinboard.in/u:%s/before:%s' % (user, self.before), callback=self.parse)

稍后让步会安排很多其他请求，当你开始看到被删除的项目时需要时间。我在代码上面运行了更改并且它很适合我

2017-08-20 14:02:38 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pinboard.in/u:%5B'semanticdreamer'%5D/before:3000000000> {'url_slug': 'e1ff3a9fb18873e494ec47d806349d90fec33c66', 'title': 'Flair Conky Offers Dark & Light Version For All Linux Distributions - NoobsLab | Ubuntu/Linux News, Reviews, Tutorials, Apps', 'author': 'semanticdreamer'} 2017-08-20 14:02:38 [scrapy.core.scraper] DEBUG: Scraped from <200 https://pinboard.in/url:d9c16292ec9019fdc8411e02fe4f3d6046185c58> {'user_list': ['ronert', 'notiv']}

使用Scrapy递归剪切Pinboard - “蜘蛛必须返回请求”错误

1 个答案: