Scrapy 简明教程

Scrapy - Item Loaders

Description

项目加载器提供了一种便捷的方法来填充从网站抓取的项目。

Declaring Item Loaders

项目加载器的声明类似于项目。

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，您可以看到使用 _in 后缀声明输入处理器，并使用 _out 后缀声明输出处理器。

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

Using Item Loaders to Populate Items

要使用项目加载器，首先使用类字典对象实例化或没有类字典对象实例化项目，该项目使用 ItemLoader.default_item_class 属性中指定的项目类。

  1. 您可以使用选择器将值收集到项目加载器中。

  2. 您可以在相同项目的字段中添加更多值，此时项目加载器将使用合适的处理器来添加这些值。

以下代码展示使用项目加载器填充项目的的过程：

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，由 add_xpath() 方法抽取 title 域：

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

此后，类似的请求用于 desc 域。通过 add_css() 方法抽取大小数据，然后通过 add_value() 方法使用值“昨天”填充 last_updated 。

一旦收集到所有数据，调用 ItemLoader.load_item() 方法，它将返回填充了通过 add_xpath() 、 add_css() 和 add_value() 方法抽取的数据的项目。

Input and Output Processors

项目加载器的每个域都包含一个输入处理器和一个输出处理器。

  1. 在抽取数据时，输入处理器对数据进行处理，其结果存储在 ItemLoader 中。

  2. 接下来，在收集完数据后，调用 ItemLoader.load_item() 方法以获取填充项目的对象。

  3. 最后，可以将输出处理器的结果分配给项目。

以下代码展示如何调用特定域的输入和输出处理器：

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]

Line 1 - 从 xpath1 抽取标题数据并传递通过输入处理器，然后收集其结果并存储在 ItemLoader 中。

Line 2 - 同样，从 xpath2 抽取标题并传递通过相同的输入处理器，然后将其结果添加到为 [1] 收集的数据中。

Line 3 - 从 css 选择器抽取标题并传递通过相同的输入处理器，然后将结果添加到为 [1] 和 [2] 收集的数据中。

Line 4 - 接下来，分配值“demo”并传递通过输入处理器。

Line 5 - 最后，从所有域内部收集数据并传递至输出处理器，最后的值分配给项目。

Declaring Input and Output Processors

输入和输出处理器在项目加载器的定义中声明。除此外，它们还可以 Item Field 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()

其显示的输出为：

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

Item Loader Context

项目加载器上下文是 input 和 output 处理器共享的任意键值 dict。

例如，假设您具有函数 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，Item Loader 会知道可以接收 Item Loader 上下文。有几种方法可以更改 Item Loader 上下文的 value −

  1. 修改当前的活动 Item Loader 上下文 −

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

  1. 在 Item Loader 实例化时 −

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

  1. 在 Item Loader 声名为输入/输出处理器时会实例化 Item Loader 上下文 −

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

ItemLoader Objects

它是一个对象，返回一个 Item Loader，以填充给定的项目。它有以下类 −

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

下表显示 ItemLoader 对象的参数 −

Sr.No

Parameter & Description

1

item 它是通过调用 add_xpath()、add_css() 或 add_value() 填充的项目。

2

selector 用于从网站提取数据。

3

response 用于通过 default_selector_class 构建选择器。

下表显示 ItemLoader 对象的方法 −

Sr.No

Method & Description

Example

1

get_value(value, *processors, **kwargs) 通过给定的处理器和关键字参数，值由 get_value() 方法处理。

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

2

add_value(field_name, value, *processors, **kwargs) 它处理值并将其添加到字段，其中在通过字段输入处理器传递之前，它首先通过 get_value 进行处理，提供处理器和关键字参数。

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')

3

replace_value(field_name, value, *processors, **kwargs) 它用一个新值替换收集的数据。

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')

4

get_xpath(xpath, *processors, **kwargs) 通过接收 XPath，通过提供处理器和关键字参数，用于提取 unicode 字符串。

= HTML 代码：<div class = "item-name">DVD</div>loader.get_xpath("//div[@class =[id="_html_code_div_id_lengththe_length_is"]= HTML 代码：<div id = "length">the length is45cm</div>loader.get_xpath("//div[@id = 'length']", TakeFirst(),re = "the length is (.*)")

5

add_xpath(field_name, xpath, *processors, **kwargs) 它接收要提取 unicode 字符串的字段的 XPath。

= HTML 代码：<div class = "item-name">DVD</div> loader.add_xpath('name', '//div [id="_html_code_div_id_lengththe_length_is"] = HTML 代码：<div id = "length">the length is 45cm</div> loader.add_xpath('length', '//div[@id = "length"]', re = 'the length is (.*)')

6

replace_xpath(field_name, xpath, *processors, **kwargs) 它使用 XPath 从网站中替换收集的数据。

= HTML 代码：<div class = "item-name">DVD</div> loader.replace_xpath('name', ' [id="_html_code_div_id_lengththe_length_is"] = HTML 代码：<div id = "length">the length is 45cm</div> loader.replace_xpath('length', '

7

get_css(css, *processors, **kwargs) 它接收用于提取 Unicode 字符串的 CSS 选择器。

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

8

add_css(field_name, css, *processors, **kwargs) It is similar to add_value() method with one difference that it adds CSS selector to the field.

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

9

replace_css(field_name, css, *processors, **kwargs) It replaces the extracted data using CSS selector.

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

10

load_item() When the data is collected, this method fills the item with collected data and returns it.

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

11

nested_xpath(xpath) It is used to create nested loaders with an XPath selector.

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

12

nested_css(css) 它用于使用 CSS 选择器创建嵌套加载器。

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：

Sr.No

Attribute & Description

1

item Item Loader 执行解析的对象。

2

context Item Loader 当前的活动上下文。

3

default_item_class 如果在构造函数中没有给出，它用于表示该项。

4

default_input_processor 未指定输入处理器的字段是唯一使用 default_input_processors 的字段。

5

default_output_processor 未指定输出处理器的字段是唯一使用 default_output_processors 的字段。

6

default_selector_class 这是用于构建选择器的类，如果在构造函数中未给出该类。

7

selector 这是一个可以用于从网站中提取数据的对象。

Nested Loaders

它用于在解析文档子部分中的值时创建嵌套加载器。如果你不创建嵌套加载器，你需要为要提取的每个值指定完整的 XPath 或 CSS。

例如，假设数据正在从头文件中提取 −

<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:someone@example.com">send mail</a>
</header>

接下来，你可以通过向头文件中添加相关值来用头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()

Reusing and extending Item Loaders

项目加载器旨在减轻在项目获取更多爬虫时出现的维护问题。

例如，假设某个网站的产品名称包含三个破折号（例如 --DVD---）。如果你不希望它出现在最终产品名称中，你可以通过重复使用默认的产品项目加载器来移除那些破折号，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)

Available Built-in Processors

以下是常用的内置处理器 −

class scrapy.loader.processors.Identity

它返回原始值而不做任何更改。例如 −

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

class scrapy.loader.processors.TakeFirst

它从接收值列表中返回第一个非空/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' ')

它返回连接到分隔符的值。默认分隔符是 u' '，它相当于函数 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，其中它的每个输入值都传递到第一个函数，该函数的结果传递到第二个函数，依此类推，直到最后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，输入值会在其中进行迭代，第一个函数会应用到每个元素。接下来，这些函数调用的结果连接在一起，形成可迭代的新项，然后应用到第二个函数，依此类推，知道最后一个函数。

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)

这个类使用提供的 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'}

以下是通过导入 json 查询值的代码 −

>>> 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']