第十篇 scrapy item loader机制

在咱们执行scrapy爬取字段中，会有大量的和下面的代码，当要爬取的网站多了，要维护起来很麻烦，为解决这类问题，咱们能够根据scrapy提供的loader机制

    def parse_detail(self, response):
        """
        获取文章详情页
        :param response:
        :return:
        """
        article_item = JoBoleArticleItem()

        #封面图,使用get方法有个好处，若是图片不存在。不会抛异常。
        front_image_url = response.meta.get("front_image_url","")
        ret_str = response.xpath('//*[@class="dht_dl_date_content"]')
        title = response.css("div.entry-header h1::text").extract_first()
        create_date = response.css("p.entry-meta-hide-on-mobile::text").extract_first().strip().replace("·", "").strip()
        content = response.xpath("//*[@id='post-112239']/div[3]/div[3]/p[1]")
        article_item["title"] = title

首先，导入 ItemLoader 

from scrapy.loader import ItemLoader

 能够查看源码，这里先关注的是item和response两入参

 

        #经过item loader加载item
        item_loader = ItemLoader(item=JoBoleArticleItem(),response=response)
        #针对直接取值的状况
        item_loader.add_value('front_image_url','front_image_url')
        #针对css选择器
        item_loader.add_css('title','div.entry-header h1::text')
        item_loader.add_css('create_date','p.entry-meta-hide-on-mobile::text')
        item_loader.add_css('praise_num','#112547votetotal::text')
        #针对xpath的状况
        item_loader.add_xpath('content','//*[@id="post-112239"]/div[3]/div[3]/p[1]')
        #把结果返回给item对象
        article_item = item_loader.load_item()

debug调试，能够看到拿到的信息

 

不过实际状况，可能一、咱们只取返回结果的某个元素。二、拿到返回结果后还须要执行某些函数。 这个scrapy也提供了方法：

在items.py文件里操做，这里用到了MapCompose类

from scrapy.loader.processors import MapCompose

 这个类咱们能够传递任意多的函数进来处理

导入模块后，

 在Field的入参里能够传入这个函数，方式以下，其中MapCompose里填的是函数名，而调用的这个alter_title函数的入参，就是title的拿到的值，即input_processor参数的效果是在传值给item前进行预处理

def alter_title(value):
    return value + "-白菜被猪拱了"

class JoBoleArticleItem(scrapy.Item):
    #标题
    title = scrapy.Field(
        input_processor = MapCompose(alter_title)
    )

 debug调试下，

 在loader机制中也有相似extract_firest的方法：TakeFirst

from scrapy.loader.processors import MapCompose,TakeFirst

而后在下面的：

经测试 input_processor和output_processor同时存在时，会把input进行预处理拿到的返回值继续给output处理，返回最终结果给item

import datetime
def date_convert(value):
    try :
        create_date = datetime.datetime.strftime(value,"%Y/%m/%d").date()
    except Exception as e:
        create_date = datetime.datetime.now().date()

    return create_date



class JoBoleArticleItem(scrapy.Item):
    #标题
    title = scrapy.Field(
        input_processor = MapCompose(alter_title)
    )
    #建立日期
    create_date  = scrapy.Field(
        # = MapCompose(date_convert),
        input_processor = MapCompose(date_convert),
        output_processor = TakeFirst()
    )

若是要每一个字段都要单独调用这个TakeFirst方法，会有些麻烦，能够经过自定义ItemLoader，首先导入ItemLoader进行重载

from scrapy.loader import ItemLoader

 点开ItemLoader源码，能够查看到有个default_output_processor

 而后咱们给ItemLoader重载这个default_output_processor

class ArticleItemLoader(ItemLoader):
    #自定义ItemLoader
    default_output_processor = TakeFirst()

 

而后在建立itemloader对象时使用自定义的loader：ArticleItemLoader

        item_loader = ArticleItemLoader(item=JoBoleArticleItem(),response=response)
        #针对直接取值的状况
        item_loader.add_value('front_image_url','front_image_url')
        item_loader.add_value('front_image_path','')
        item_loader.add_value('url',response.url)
        item_loader.add_value('url_object_id',get_md5(response.url))
        item_loader.add_value('content','')

debug调试，能够看到获取到的value由list变成str 

 

PS：这里只是把默认的output_processor制定了一个方法，因此若是存在某些item 不想调用默认的output_processor，能够继续在add_value方法里单独传output方法。

 

 

 

 

 

 

问题：

一、调试时遇到下面这错误，通常是因为传递给items.py的数据里缺乏了字段、传递的字段和数据表里的字段的类型不符等

2

 

三、使用itemloader爬取时，返回的数据类型是list，再存入item容器前，是支持对数据进行预处理的，即输入处理器和输出处理器，能够经过MapCompose这个类来依次对list的元素进行处理，

但若是lsit为【】则不会进行处理，这种状况须要重载MapCompose类的__call__方法，以下，我给vallue增长一个空的str“”

class MapComposeCustom(MapCompose):
    #自定义MapCompose，当value没元素是传入""
    def __call__(self, value, loader_context=None):
        if not value:
            value.append("")
        values = arg_to_iter(value)
        if loader_context:
            context = MergeDict(loader_context, self.default_loader_context)
        else:
            context = self.default_loader_context
        wrapped_funcs = [wrap_loader_context(f, context) for f in self.functions]
        for func in wrapped_funcs:
            next_values = []
            for v in values:
                next_values += arg_to_iter(func(v))
            values = next_values
        return values