Scrapy（6）Item loader 加载器详解

项目加载器提供了一个方便的方式来填补从网站上刮取的项目。

声明项目加载器

项目加载器的声明类：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

在上面的代码可以看到，输入处理器使用 _id 作为后缀以及输出处理器声明使用_out 作为后缀声明。

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

扫描二维码关注公众号，回复： 12132390 查看本文章

要使用项目加载器，

先用类似字典的对象，

或项目使用 Loader.default_item_class 属性指定 Item 类实例化。

可以使用选择器来收集值到项目加载器。

可以在同一项目字段中添加更多的值，

项目加载器将使用相应的处理程序来添加这些值

下面的代码演示项目是如何使用项目加载器来填充：

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()

如上图所示，有两种不同的XPath，使用 add_xpath()方法从标题(title)字段提取：

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

此后，类似请求用于内容描述(desc)字段。size数据使用 add_css()方法提取和last_updated 使用add_value()方法使用值“yesterday”来填充。

完成所有收集数据的，调用 ItemLoader.load_item() 方法返回填充并使用 add_xpath()，add_css()和 dadd_value()方法提取数据项。

输入和输出处理器

一个项目加载器的各个字段包含一个输入处理器和一个输出处理器。

当提取数据时，输入处理器处理结果，交将结果存储在数据加载器。

接下来，收集数据后，调用 ItemLoader.load_item() 方法来获得 Item 对象。

最后，指定输出处理器到该项目的结果。

下面的代码演示针对特定字段如何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(title)的数据是从xpath1提取并通过输入处理器，其结果被收集并存储在 ItemLoader 中。

第2行: 同样地，标题(title)从xpath2提取并通过相同的输入处理器，其结果收集的数据加到[1]中。

第3行: 标题(title)被从css选择萃取和通过相同的输入处理器传递并将收集的数据结果加到[1]及[2]。

第4行: 接着，将“demo”值分配并传递到输入处理器。

第5行: 最后，数据是从所有字段内部收集并传递给输出处理器，最终值将分配给项目

声明输入和输出处理器

输入和输出的处理器在项目加载器(ItemLoader )定义声明。除此之外，它们还可以在项目字段的元数据指定。

例如：

import scrapy
from scrapy.loader.processors import Join, MapCompose, TakeFirst
from w3lib.htmll 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()

它显示的输出结果如下：

{'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输入和输出的处理器中共享的任意键值的字典。

例如，假设有一个函数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，它告诉项目加载器可以收到项目加载器上下文。有几种方法可以改变项目加载器上下文的值：

修改当前的活动项目加载器上下文：

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

在项目加载器实例中修改：

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

在加载器项目声明与项目加载器上下文实例输入/输出处理器中修改：

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

ItemLoader对象

它是一个对象，它返回一个新项加载器到填充给定项目。它有以下类：

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

嵌套加载器

这是使用从文档解析分段的值来创建嵌套加载器。如果不创建嵌套装载器，需要为您想提取的每个值指定完整的XPath或CSS。

例如，假设要从一个标题页中提取数据：

<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，您可以通过添加相关的值到页眉来创建头选择器嵌套装载器：

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

项目加载器的设计以缓解维护，当要获取更多的蜘蛛时项目变成一个根本的问题。

举例来说，假设一个网站自己的产品名称是由三条短线封闭的(例如： ---DVD---)。您可以通过重复使用默认产品项目加载器，如果你不希望它在最终产品名称所示，下面的代码删除这些破折号：

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)

可用内置处理器

以下是一些常用的内置处理器：

class scrapy.loader.processors.Identity

回原始的值而并不修改它。例如：

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

class scrapy.loader.processors.TakeFirst

回一个值来自收到列表的值即非空/非null值。例如：

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

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

回附连到分隔符的值。默认的分隔符是 u''，这相当于于 u' '.join 的功能。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.SelectJmes(json_path)

查询使用提供JSON路径值，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'}

下面是一个查询通过导入JSON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']