Scrapy Item Loaders

项目装载机提供了一种方便的方式来填充从网站上抓取的项目。

声明项目加载器

Item Loaders 的声明就像 Items。

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，你可以看到，输入处理器使用声明 _in 后缀和输出的处理器使用的是声明 _out 后缀。

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

使用项目加载器来填充项目

要使用Item Loader，首先使用类似字典的对象进行实例化，或者不要使用 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Item Loader中。
• 您可以在同一个项目字段中添加更多值，其中Item Loader将使用适当的处理程序来添加这些值。

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，有两种不同的XPath，使用 add_xpath（） 方法从中提取 标题 字段：

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

此后，类似的请求用于 desc 字段。大小数据是使用提取 add_css（） 方法和 LAST_UPDATED 填充有值“昨天”使用 add_value（） 方法。

一旦收集完所有数据，调用 ItemLoader.load_item（） 方法，该方法返回填充有使用 add_xpath（） ， add_css（） 和 add_value（） 方法提取的数据的项目。

输入和输出处理器

Item Loader的每个字段都包含一个输入处理器和一个输出处理器。

• 数据提取后，输入处理器对其进行处理，其结果存储在ItemLoader中。
• 接下来，在收集数据后，调用ItemLoader.load_item（）方法来获取已填充的Item对象。
• 最后，您可以将输出处理器的结果分配给该项目。

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 - 标题数据从xpath1中提取，并通过输入处理器传递，并将其结果收集并存储在ItemLoader中。

第2行 - 类似地，标题从xpath2中提取并通过相同的输入处理器，并将其结果添加到为[1]收集的数据中。

第3行 - 标题从CSS选择器中提取，并通过同一个输入处理器，并将结果添加到为[1]和[2]收集的数据中。

第4行 - 接下来，分配值“demo”并通过输入处理器传递。

第5行 - 最后，从所有字段内部收集数据并将其传递到输出处理器，并将最终值分配给该项目。

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，还可以在 项目字段 元数据中指定它们。

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()

它显示一个输出为 -

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

项目加载器上下文

Item Loader Context是输入和输出处理器之间共享的任意键值的字典。

例如，假设你有一个函数 _parselength：

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，它会告知Item Loader它可以接收Item Loader上下文。有几种方法可以更改Item Loader上下文的值 -

• 修改当前活动的Item Loader上下文：

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

• Item Loader实例化：

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

• 在Item Loader上下文中实例化的输入/输出处理器的Item Loader声明：

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。它有以下班级 -

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: DVD
loader.get_xpath("//div[@class = 'item-name']")

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

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

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

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

# HTML code: the length is 45cm
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 -

嵌套装载机

它用于在解析文档子部分的值时创建嵌套加载器。如果您不创建嵌套的加载器，则需要为要提取的每个值指定完整的XPath或CSS。

例如，假设数据正在从页眉提取：

<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，您可以通过向标题添加相关值来创建带有标题选择器的嵌套加载器：

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

项目装载机旨在减轻维护成本，当您的项目获得更多的蜘蛛时，这将成为一个基本问题。

例如，假设一个网站的产品名称用三个破折号包围（例如--DVD ---）。如果您不想在最终产品名称中使用它，您可以通过重新使用默认Product Item Loader来删除这些破折号 - ，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)

可用的内置处理器

以下是一些常用的内置处理器：

类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']

类scrapy.loader.processors.TakeFirst

它从接收值列表中返回非空/非空的第一个值。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。默认分隔符是u''，它等同于函数 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'

类scrapy.loader.processors.Compose（*函数，** default_loader_context）

它由处理器定义，其中每个输入值都传递给第一个函数，并将该函数的结果传递给第二个函数，直到ast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'

类scrapy.loader.processors.MapCompose（*函数，** default_loader_context）

它是一个处理器，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构建新的迭代器，然后将其应用于第二个函数等等，直到最后一个函数为止。

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']

类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']

Scrapy shell的主要目的是测试提取的代码，XPath或CSS表达式。它还有助于指定从中抓取数据的网页。 配置Shell可以通过安装IPython: https://ipython.org/（用于 ...