如何在 Scrapy css 中删除 \r\n、空格并启用重音符号？

Question

我是非常初学者，所以放轻松。 我用谷歌搜索了如何解决它，但我得到的每个答案都是针对 Xpath 的，而且我正在使用 CSS。

我正在关注本教程https://hexfox.com/p/scrape-your-cinemas-listings-to-get-a-daily-email-of-films-with-a-high-imdb-rating/ 并达到了这一点：

import scrapy

class CinemaSpider(scrapy.Spider):
    name = "cinema"
    allowed_domains = ['cineroxy.com.br']
    start_urls = [
        'http://cineroxy.com.br/programacao-brisamar',
    ]

    def parse(self, response):
        movie_names = response.css('.titulo p::text').extract()
        for movie_name in movie_names:
            yield {
                'name': movie_name
            }

我已经正确执行，所以它会获取信息并创建一个 json 文件：

C:\Python27\Scripts>scrapy runspider cinema_scraper.py -o movies.json

但结果是这样的：

[
{"name": "\r\n                                        A Bailarina\r\n                                    "},
{"name": "\r\n                                        Assassins Creed - O Filme\r\n                                    "},
{"name": "\r\n                                        Cinquenta Tons Mais Escuros\r\n                                    "},
{"name": "\r\n                                        Minha M\u00e3e \u00e9 uma Pe\u00e7a 2\r\n                                    "},
{"name": "\r\n                                        Moana - Um Mar de Aventura\r\n                                    "},
{"name": "\r\n                                        Os Penetras 2 - Quem D\u00e1 Mais?\r\n                                    "},
{"name": "\r\n                                        Quatro Vidas de Um Cachorro\r\n                                    "},
{"name": "\r\n                                        Resident Evil 6: O \u00daltimo Cap\u00edtulo\r\n                                    "},
{"name": "\r\n                                        xXx: Reativado\r\n                                    "}
]

现在，我有 3 个问题要解决输出/提取问题：\r\n、大空白和尝试提取重读单词时的错误（生化危机 6：O \u00daltimo Cap\u00edtulo 原作是生化危机6：O Último Capítulo）。

这个网站的源代码与我研究过的其他网站的不同之处在于，它在写标题之前少了一行：

<a href='../filme/resident-evil-6-o-ultimo-capitulo'>
    <img id="cphConteudo_rptBusca_imgFilme_7" title="Resident Evil 6: O Último Capítulo" class="img" src="http://www.cineroxy.com.br/suiteinstitucional/arquivos/filmes/040920161914411.jpg" />
    <div class="titulo">
        <p>
            Resident Evil 6: O Último Capítulo
        </p>
    </div>
<div class="passar-mouse">
    clique para ver os horários <img src="Arquitetura/Imagens/Icones/drop.png" alt="" />
</div>
</a>

很抱歉，这篇文章太长了，可能会出现巨大的愚蠢错误。 提前致谢。

Answer 1

 yield {
                'name': movie_name.strip()
            }

代码：

"\r\n                                        A Bailarina\r\n                                    ".strip()

出来：

'A Bailarina'

strip() 将去掉前导和尾部空格

json：

即在你的settings.py中添加：

FEED_EXPORT_ENCODING = 'utf-8'

文档：https://doc.scrapy.org/en/1.2/topics/feed-exports.html#feed-export-encoding