Scrapy - 项目加载器

描述

项目加载器提供了一种方便的方式来填充从网站上抓取的项目数据。

声明项目加载器

项目加载器的声明方式与项目 (Items) 类似。

例如：

from scrapy.loader import ItemLoader 
from scrapy.loader.processors import TakeFirst, MapCompose, Join  

class DemoLoader(ItemLoader):  
   default_output_processor = TakeFirst()  
   title_in = MapCompose(unicode.title) 
   title_out = Join()  
   size_in = MapCompose(unicode.strip)  
   # you can continue scraping here

在上面的代码中，您可以看到输入处理器使用 `_in` 后缀声明，输出处理器使用 `_out` 后缀声明。

ItemLoader.default_input_processor 和 ItemLoader.default_output_processor 属性用于声明默认的输入/输出处理器。

使用项目加载器填充项目

要使用项目加载器，首先使用类似字典的对象进行实例化，或者不使用任何对象，在这种情况下，项目使用在 ItemLoader.default_item_class 属性中指定的 Item 类。

• 您可以使用选择器将值收集到项目加载器中。

• 您可以在同一个项目字段中添加更多值，项目加载器将使用适当的处理器来添加这些值。

以下代码演示了如何使用项目加载器填充项目：

from scrapy.loader import ItemLoader 
from demoproject.items import Demo  

def parse(self, response): 
   l = ItemLoader(item = Product(), response = response)
   l.add_xpath("title", "//div[@class = 'product_title']")
   l.add_xpath("title", "//div[@class = 'product_name']")
   l.add_xpath("desc", "//div[@class = 'desc']")
   l.add_css("size", "div#size]")
   l.add_value("last_updated", "yesterday")
   return l.load_item()

如上所示，有两个不同的 XPath 用于使用 add_xpath() 方法提取 title 字段：

1. //div[@class = "product_title"] 

2. //div[@class = "product_name"]

之后，对 desc 字段使用了类似的请求。大小数据使用 add_css() 方法提取，last_updated 使用 add_value() 方法填充值为 "yesterday"。

一旦所有数据收集完毕，调用 ItemLoader.load_item() 方法，该方法返回使用 add_xpath()、add_css() 和 add_value() 方法提取数据的填充项目。

输入和输出处理器

项目加载器的每个字段包含一个输入处理器和一个输出处理器。

• 提取数据时，输入处理器会处理数据，并将结果存储在 ItemLoader 中。

• 接下来，在收集数据后，调用 ItemLoader.load_item() 方法以获取填充的 Item 对象。

• 最后，您可以将输出处理器的结果分配给项目。

以下代码演示了如何为特定字段调用输入和输出处理器：

l = ItemLoader(Product(), some_selector)
l.add_xpath("title", xpath1) # [1]
l.add_xpath("title", xpath2) # [2]
l.add_css("title", css)      # [3]
l.add_value("title", "demo") # [4]
return l.load_item()         # [5]

**第 1 行** - 从 xpath1 提取 title 的数据，并通过输入处理器，将其结果收集并存储在 ItemLoader 中。

**第 2 行** - 同样，从 xpath2 提取 title 并通过相同的输入处理器，将其结果添加到为 [1] 收集的数据中。

**第 3 行** - 从 css 选择器提取 title 并通过相同的输入处理器，将其结果添加到为 [1] 和 [2] 收集的数据中。

**第 4 行** - 接下来，分配值 "demo" 并通过输入处理器。

**第 5 行** - 最后，从所有字段内部收集数据并传递给输出处理器，并将最终值分配给 Item。

声明输入和输出处理器

输入和输出处理器在 ItemLoader 定义中声明。除此之外，它们也可以在**项目字段**元数据中指定。

例如：

import scrapy 
from scrapy.loader.processors import Join, MapCompose, TakeFirst 
from w3lib.html import remove_tags  

def filter_size(value): 
   if value.isdigit(): 
      return value  

class Item(scrapy.Item): 
   name = scrapy.Field( 
      input_processor = MapCompose(remove_tags), 
      output_processor = Join(), 
   )
   size = scrapy.Field( 
      input_processor = MapCompose(remove_tags, filter_price), 
      output_processor = TakeFirst(), 
   ) 

>>> from scrapy.loader import ItemLoader 
>>> il = ItemLoader(item = Product()) 
>>> il.add_value('title', [u'Hello', u'<strong>world</strong>']) 
>>> il.add_value('size', [u'<span>100 kg</span>']) 
>>> il.load_item()

它显示输出为：

{'title': u'Hello world', 'size': u'100 kg'}

项目加载器上下文

项目加载器上下文是一个任意键值对的字典，在输入和输出处理器之间共享。

例如，假设您有一个函数 `parse_length`：

def parse_length(text, loader_context): 
   unit = loader_context.get('unit', 'cm') 
   
   # You can write parsing code of length here  
   return parsed_length

通过接收 `loader_context` 参数，它告诉项目加载器它可以接收项目加载器上下文。有几种方法可以更改项目加载器上下文的值：

• 修改当前活动的项目加载器上下文：

loader = ItemLoader (product)
loader.context ["unit"] = "mm"

• 在项目加载器实例化时：

loader = ItemLoader(product, unit = "mm")

• 在项目加载器的输入/输出处理器的声明中，使用项目加载器上下文进行实例化：

class ProductLoader(ItemLoader):
   length_out = MapCompose(parse_length, unit = "mm")

ItemLoader 对象

这是一个对象，它返回一个新的项目加载器来填充给定的项目。它具有以下类：

class scrapy.loader.ItemLoader([item, selector, response, ]**kwargs)

下表显示了 ItemLoader 对象的参数：

下表显示了 ItemLoader 对象的方法：

>>> from scrapy.loader.processors import TakeFirst
>>> loader.get_value(u'title: demoweb', TakeFirst(), 
unicode.upper, re = 'title: (.+)')
'DEMOWEB`

loader.add_value('title', u'DVD')
loader.add_value('colors', [u'black', u'white'])
loader.add_value('length', u'80')
loader.add_value('price', u'2500')

loader.replace_value('title', u'DVD')
loader.replace_value('colors', [u'black', 
u'white'])
loader.replace_value('length', u'80')
loader.replace_value('price', u'2500')

# HTML code: <div class = "item-name">DVD</div>
loader.get_xpath("//div[@class = 
'item-name']")

# HTML code: <div id = "length">the length is 
45cm</div>
loader.get_xpath("//div[@id = 'length']", TakeFirst(), 
re = "the length is (.*)")

# HTML code: <div class = "item-name">DVD</div>
loader.add_xpath('name', '//div
[@class = "item-name"]')

# HTML code: <div id = "length">the length is 
45cm</div>
loader.add_xpath('length', '//div[@id = "length"]',
 re = 'the length is (.*)')

# HTML code: <div class = "item-name">DVD</div>
loader.replace_xpath('name', '
//div[@class = "item-name"]')

# HTML code: <div id = "length">the length is
 45cm</div>
loader.replace_xpath('length', '
//div[@id = "length"]', re = 'the length is (.*)')

loader.get_css("div.item-name")
loader.get_css("div#length", TakeFirst(), 
re = "the length is (.*)")

loader.add_css('name', 'div.item-name')
loader.add_css('length', 'div#length', 
re = 'the length is (.*)')

loader.replace_css('name', 'div.item-name')
loader.replace_css('length', 'div#length',
 re = 'the length is (.*)')

def parse(self, response):
l = ItemLoader(item = Product(), 
response = response)
l.add_xpath('title', '//
div[@class = "product_title"]')
loader.load_item()

loader = ItemLoader(item = Item())
loader.add_xpath('social', '
a[@class = "social"]/@href')
loader.add_xpath('email', '
a[@class = "email"]/@href')

loader = ItemLoader(item = Item())
loader.add_css('social', 'a[@class = "social"]/@href')
loader.add_css('email', 'a[@class = "email"]/@href')	

下表显示了 ItemLoader 对象的属性：

嵌套加载器

它用于在从文档的子部分解析值时创建嵌套加载器。如果您不创建嵌套加载器，则需要为要提取的每个值指定完整的 XPath 或 CSS。

例如，假设数据正在从标题页面提取：

<header>
   <a class = "social" href = "http://facebook.com/whatever">facebook</a>
   <a class = "social" href = "http://twitter.com/whatever">twitter</a>
   <a class = "email" href = "mailto:[email protected]">send mail</a>
</header>

接下来，您可以通过向标题添加相关值来使用标题选择器创建嵌套加载器：

loader = ItemLoader(item = Item())
header_loader = loader.nested_xpath('//header')
header_loader.add_xpath('social', 'a[@class = "social"]/@href')
header_loader.add_xpath('email', 'a[@class = "email"]/@href')
loader.load_item()

重用和扩展项目加载器

项目加载器旨在减轻维护工作，当您的项目获得更多爬虫时，这将成为一个根本性问题。

例如，假设一个网站的商品名称用三个短横线括起来（例如 --DVD---）。如果您不想在最终商品名称中包含这些短横线，您可以重用默认的 Product Item Loader，如下面的代码所示：

from scrapy.loader.processors import MapCompose 
from demoproject.ItemLoaders import DemoLoader  

def strip_dashes(x): 
   return x.strip('-')  

class SiteSpecificLoader(DemoLoader): 
   title_in = MapCompose(strip_dashes, DemoLoader.title_in)

可用的内置处理器

以下是一些常用的内置处理器：

class scrapy.loader.processors.Identity

它返回原始值而不改变它。例如：

>>> from scrapy.loader.processors import Identity
>>> proc = Identity()
>>> proc(['a', 'b', 'c'])
['a', 'b', 'c']

class scrapy.loader.processors.TakeFirst

它返回从接收到的值列表中第一个非空值。例如：

>>> from scrapy.loader.processors import TakeFirst
>>> proc = TakeFirst()
>>> proc(['', 'a', 'b', 'c'])
'a'

class scrapy.loader.processors.Join(separator = u' ')

它返回附加到分隔符的值。默认分隔符为 u' '，它等效于函数 u' '.join。例如：

>>> from scrapy.loader.processors import Join
>>> proc = Join()
>>> proc(['a', 'b', 'c'])
u'a b c'
>>> proc = Join('<br>')
>>> proc(['a', 'b', 'c'])
u'a<br>b<br>c'

class scrapy.loader.processors.Compose(*functions, **default_loader_context)

它由一个处理器定义，其每个输入值都传递给第一个函数，该函数的结果传递给第二个函数，依此类推，直到最后一个函数返回最终值作为输出。

例如：

>>> from scrapy.loader.processors import Compose
>>> proc = Compose(lambda v: v[0], str.upper)
>>> proc(['python', 'scrapy'])
'PYTHON'

class scrapy.loader.processors.MapCompose(*functions, **default_loader_context)

这是一个处理器，其中迭代输入值并将第一个函数应用于每个元素。接下来，将这些函数调用的结果连接起来以构建新的可迭代对象，然后将其应用于第二个函数，依此类推，直到最后一个函数。

例如：

>>> def filter_scrapy(x): 
   return None if x == 'scrapy' else x  

>>> from scrapy.loader.processors import MapCompose 
>>> proc = MapCompose(filter_scrapy, unicode.upper) 
>>> proc([u'hi', u'everyone', u'im', u'pythonscrapy']) 
[u'HI, u'IM', u'PYTHONSCRAPY'] 

class scrapy.loader.processors.SelectJmes(json_path)

此类使用提供的 JSON 路径查询值并返回输出。

例如：

>>> from scrapy.loader.processors import SelectJmes, Compose, MapCompose
>>> proc = SelectJmes("hello")
>>> proc({'hello': 'scrapy'})
'scrapy'
>>> proc({'hello': {'scrapy': 'world'}})
{'scrapy': 'world'}

以下代码通过导入 json 来查询值：

>>> import json
>>> proc_single_json_str = Compose(json.loads, SelectJmes("hello"))
>>> proc_single_json_str('{"hello": "scrapy"}')
u'scrapy'
>>> proc_json_list = Compose(json.loads, MapCompose(SelectJmes('hello')))
>>> proc_json_list('[{"hello":"scrapy"}, {"world":"env"}]')
[u'scrapy']