scrapy框架之items项目

Posted 2022-08-10 songzhixue

Items

　　主要目标是从非结构化来源（通常是网页）提取结构化数据。Scrapy爬虫可以将提取的数据作为Python语句返回。虽然方便和熟悉，Python dicts缺乏结构：很容易在字段名称中输入错误或返回不一致的数据，特别是在与许多爬虫的大项目。

　　要定义公共输出数据格式，Scrapy提供Item类。 Item对象是用于收集所抓取的数据的简单容器。它们提供了一个类似字典的 API，具有用于声明其可用字段的方便的语法。

　　各种Scrapy组件使用项目提供的额外信息：导出器查看声明的字段以计算要导出的列，序列化可以使用项字段元数据trackref 定制，跟踪项实例以帮助查找内存泄漏（请参阅使用trackref调试内存泄漏）等。

声明项目

使用简单的类定义语法和Field 对象来声明项目。这里是一个例子：

import scrapy

class Product(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    stock = scrapy.Field()
    last_updated = scrapy.Field(serializer=str)

注意

熟悉Django的人会注意到Scrapy Items被声明为类似于Django Models，只是Scrapy Items比较简单，因为没有不同字段类型的概念。

项目字段

Field对象用于为每个字段指定元数据。例如，last_updated上面示例中所示的字段的序列化函数。

您可以为每个字段指定任何种类的元数据。对Field对象接受的值没有限制。出于同样的原因，没有所有可用元数据键的参考列表。Field对象中定义的每个键可以由不同的组件使用，并且只有那些组件知道它。您也可以定义和使用Field项目中的任何其他 键，为您自己的需要。Field对象的主要目标 是提供一种在一个地方定义所有字段元数据的方法。通常，那些行为取决于每个字段的组件使用某些字段键来配置该行为。您必须参考他们的文档，以查看每个组件使用哪些元数据键。

重要的是要注意，Field用于声明项目的对象不会被分配为类属性。相反，可以通过Item.fields属性访问它们。

使用项目

下面是使用上面声明的Product项目对项目执行的常见任务的一些示例 。你会注意到API非常类似于dict API。

在爬虫文件中导入Product这个项目类;

import scrapy
from taobao.items import Product

class DowloadTaobaoSpider(scrapy.Spider):
    name = ‘dowload_taobao‘
    allowed_domains = [‘www.taobao.com‘]
    start_urls = [‘http://www.taobao.com/‘]

    def parse(self, response):
        # 实例化Product
        product = Product(name=‘Desktop PC‘, price=1000)

获取字段值

>>> product[‘name‘]
Desktop PC
>>> product.get(‘name‘)
Desktop PC

>>> product[‘price‘]
1000

>>> product[‘last_updated‘]
Traceback (most recent call last):
    ...
KeyError: ‘last_updated‘

>>> product.get(‘last_updated‘, ‘not set‘)
not set

>>> product[‘lala‘] # getting unknown field
Traceback (most recent call last):
    ...
KeyError: ‘lala‘

>>> product.get(‘lala‘, ‘unknown field‘)
‘unknown field‘

>>> ‘name‘ in product  # is name field populated?
True

>>> ‘last_updated‘ in product  # is last_updated populated?
False

>>> ‘last_updated‘ in product.fields  # is last_updated a declared field?
True

>>> ‘lala‘ in product.fields  # is lala a declared field?
False

设置字段值

>>> product [ ‘last_updated‘ ]  =  ‘today‘ 
>>> product [ ‘last_updated‘ ] 
today

>>> product [ ‘lala‘ ]  =  ‘test‘  ＃设置未知字段
Traceback（最近调用最后一次）：
    ... 
KeyError：‘产品不支持字段：lala‘

访问所有填充值

要访问所有填充值，只需使用典型的dict API：

>>> product.keys()
[‘price‘, ‘name‘]

>>> product.items()
[(‘price‘, 1000), (‘name‘, ‘Desktop PC‘)]

复制项目

要复制项目，必须首先决定是要浅副本还是深副本。

如果您的物品包含 mutable 值如列表或字典，一个浅拷贝将在所有不同的拷贝中保持对相同可变值的引用。

例如，如果您有一个带有标记列表的项目，并且您创建了该项目的浅副本，那么原始项目和副本都具有相同的标记列表。向其中一个项目的列表中添加标记也会将标记添加到另一个项目中。

如果这不是所需的行为，请使用深度复制。

要创建项目的浅副本，可以调用 copy() 在现有项上 (product2 = product.copy() ）或从现有项实例化项类 (product2 = Product(product) ）

要创建深度复制，请调用 deepcopy() 相反 (product2 = product.deepcopy() ）

其他常见任务

从项目创建字典：

>>> dict(product) # create a dict from all populated values
‘price‘: 1000, ‘name‘: ‘Desktop PC‘

从dicts创建项目：

>>> Product(‘name‘: ‘Laptop PC‘, ‘price‘: 1500)
Product(price=1500, name=‘Laptop PC‘)

>>> Product(‘name‘: ‘Laptop PC‘, ‘lala‘: 1500) # warning: unknown field in dict
Traceback (most recent call last):
    ...
KeyError: ‘Product does not support field: lala‘