爬虫 ItemLoader

Posted 2020-12-04 eunuch

# 使用Item Loaders对Item数据进行提取和解析(整理)。作用：
# 之前的方式，是将数据的提取和解析混合在一起，但是Item Loaders是将这两个部分分开处理了；
# 爬虫文件bole.py中只负责数据的提取；
# Items.py文件负责数据的整理；(可以实现数据解析代码的重用。相当于将功能相同的解析函数封装成为一个公用的函数，任何爬虫需要这个函数，都可以来调用。)

# 1. 使关于数据的提取代码更加简洁，结构更加清晰；
# 2. 可以实现数据解析(整理)部分的代码的重用；
# 3. 提高代码的可维护性；

 

流程

 

"""
        1. 当创建item对象(item=JobboleItem())的时候，会去Items.py文件中初始化对应的input/output_processor处理器； 
        2. 当item中的处理器初始化完成，回到bole.py爬虫文件中，创建item_loader对象；
        3. item_loader对象创建完成，开始通过add_xpath/add_css/add_value收集数据；
        4. 每收集到一个数据，就会将该数据传递给对应字段对应的input_processor绑定的函数进行数据的处理；数据处理完成，会暂时保存在ItemLoader中；
        5. 循环第4步，将每一个字段的数据提取并交给input_processor，直到所有数据提取完毕，所有数据都会被保存在ItemLoader中；
        6. 调用load_item()函数，给item对象进行赋值；
        """

 

在爬虫py中,

from scrapy.loader import ItemLoader
from ..items import JobboleItem

item_loader = ItemLoader(item=JobboleItem(), response=response)
        item_loader.add_xpath(‘title‘, ‘//div[@class="entry-header"]/h1/text()‘)
        item_loader.add_xpath(‘date_time‘, ‘//p[@class="entry-meta-hide-on-mobile"]/text()‘)
        item_loader.add_xpath(‘tags‘, ‘//p[@class="entry-meta-hide-on-mobile"]/a/text()‘)
        item_loader.add_xpath(‘content‘, ‘//div[@class="entry"]//text()‘)
        item_loader.add_xpath(‘zan_num‘, ‘//div[@class="post-adds"]/span[contains(@class, "vote-post-up")]//text()‘)
        item_loader.add_xpath(‘keep_num‘, ‘//div[@class="post-adds"]/span[contains(@class, "bookmark-btn")]/text()‘)
        item_loader.add_xpath(‘comment_num‘, ‘//div[@class="post-adds"]/a/span/text()‘)
        item_loader.add_value(‘img_src‘, [response.meta[‘img_src‘]])
        item = item_loader.load_item()
        yield item

在item 中

from scrapy.contrib.loader.processor import Join, MapCompose, TakeFirst

from scrapy.contrib.loader import ItemLoader

 

class JobboleItem(scrapy.Item):
    title = scrapy.Field(
        # MapCompose映射类，可以将ItemLoader传递过来的列表中的元素，依次作用到input_test_title函数上，类似于map()函数。
        # input_processor=MapCompose(input_test_title),
        # Join(): 对列表进行合并，add_xpath/add_css/add_value传过来的列表数据。
        # output_processor=TakeFirst()
    )
    date_time = scrapy.Field(
        input_processor=MapCompose(convert_datetime),
        # TakeFirst(): 获取列表中的首个元素
        output_processor=TakeFirst()
    )
    tags = scrapy.Field(
        input_processor=MapCompose(convert_tags),
        # 覆盖默认的default_output_processor = TakeFirst()
        output_processor=Join()
    )
    content = scrapy.Field(
        output_processor=Join()
    )

def convert_datetime(value):
    ................

    return date_time