第十篇 scrapy item loader机制

时间：2017-10-14 20:04:20 阅读：316 评论：0 收藏：0 [点我收藏+]

在我们执行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，我们可以根据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，如果图片不存在。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

可以查看源码，这里先关注的是item和response两入参

技术分享

        #通过item loader加载item
        item_loader = ItemLoader(item=JoBoleArticleItem(),response=response)
        #针对直接取值的情况
        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的情况
        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，可以看到拿到的信息

技术分享

不过实际情况，可能1、我们只取返回结果的某个元素。2、拿到返回结果后还需要执行某些函数。这个scrapy也提供了方法：

在items.py文件里操作

from scrapy.loader.processors import MapCompose

这个类我们可以传递任意多的函数进来处理

技术分享

导入模块后，

在Field的入参里可以传入这个函数，方式如下，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。

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，

技术分享

在loader机制中也有类似extract_firest的方法：TakeFirst

from scrapy.loader.processors import MapCompose,TakeFirst

然后在下面的：

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)
    )
    #创建日期
    create_date  = scrapy.Field(
        # = MapCompose(date_convert),
        input_processor = MapCompose(date_convert),
        output_processor = TakeFirst()
    )

如果要每个字段都要单独调用这个TakeFirst方法，会有些麻烦，可以通过自定义ItemLoader，首先导入ItemLoader进行重载

from scrapy.loader import ItemLoader

点开ItemLoader源码，可以查看到有个default_output_processor

技术分享

然后我们给ItemLoader重载这个default_output_processor

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

然后在创建itemloader对象时使用自定义的loader：ArticleItemLoader

        item_loader = ArticleItemLoader(item=JoBoleArticleItem(),response=response)
        #针对直接取值的情况
        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‘,‘‘)