Scrapy - 删除重复项并将数据作为单个列表输出？

Question

我正在使用下面的代码来爬取页面上的多个链接，并从每个相应的链接中获取数据列表：

import scrapy

class testSpider(scrapy.Spider):
    name = "quotes"
    start_urls = ['http://www.website.com']

    def parse(self, response):
        urls = response.css('div.subject_wrapper > a::attr(href)').extract()
        for url in urls:
            url = response.urljoin(url)
            yield scrapy.Request(url=url, callback=self.getData)

    def getData(self, response):
        data = {'data': response.css('strong.data::text').extract()}
        yield data

它工作正常，但由于它为每个链接返回一个数据列表，当我输出到 CSV 时，它看起来如下所示：

"dalegribel,Chad,Ninoovcov,dalegribel,Gotenks,sillydog22"

"kaylachic,jmargerum,kaylachic"

"Kempodancer,doctordbrew,Gotenks,dalegribel"

"Gotenks,dalegribel,jmargerum"

...

是否有任何简单/有效的方法将数据输出为单个行列表而没有任何重复（相同的数据可以出现在多个页面上），类似于以下？

dalegribel
Chad
Ninoovcov
Gotenks
...

我尝试使用数组然后循环遍历每个元素以获取输出，但收到错误消息，提示 yield 仅支持“Request、BaseItem、dict 或 None”。此外，由于我将在大约 10k 个条目上运行它，我不确定将数据存储在数组中是否会大大减慢抓取速度。谢谢。

Answer 1

不确定是否可以使用 Scrapy 内置方法以某种方式完成，但 python 方法是创建一组唯一元素，检查重复项，并仅生成唯一元素：

class testSpider(scrapy.Spider):
    name = "quotes"
    start_urls = ['http://www.website.com']
    unique_data = set()

    def parse(self, response):
        urls = response.css('div.subject_wrapper > a::attr(href)').extract()
        for url in urls:
            url = response.urljoin(url)
            yield scrapy.Request(url=url, callback=self.getData)

    def getData(self, response):
        data_list = response.css('strong.data::text').extract()
        for elem in data_list:
            if elem and (elem not in self.unique_data):
                self.unique_data.add(elem)
                yield {'data': elem}