多页数据的爬取（使用ItemLoader填充容器）

使用ItemLoader填充容器

• 目前我们爬取的数据的字段较少，但是当项目很大、提取的字段数以百计时，数据的提取规则也会越来越多，再加上还要对提取到的数据做转换处理，代码就会变得庞大，维护起来十分困难。
• 为了解决这个问题，Scrapy提供了项目加载器（ItemLoder）这样一个填充容器。通过填充容器，可以配置Item中各个字段的提取规则，并通过函数分析原始数据，最后对Item字段赋值，使用起来非常便捷。
• Item和ItemLoder的区别在于：
• Item提供了保存抓取到的数据的容器，需要手动保存于容器中。
• Itemloder提供的是填充容器的机制。
• 下面使用ItemLoder来改写起点中文网小说热搜榜的项目。打开爬虫（Spider）源文件qidian_hot.py。
• 1.导入ItemLoader类
• 代码如下

from scrapy.loader import ItemLoader #导入ItemLoder类

• 2.实例化ItemLoader对象
• 在使用ItemLoder之前，必须先将其实例化。来看一下数据解析函数qidian_parse()的实现代码：

        # 解析函数
    def qidian_parse(self,response):

        # 使用xpath定位到小说的div元素，保存到列表中
        list_selector = response.xpath("//div[@class='book-mid-info']")
            # 依次读取每部小说的元素，从中获取小说名称、作者、类型和形式
        for one_selector in list_selector:
            # 生成ItemLoader的实例
            # 参数item接收QidianHotItem实例，selector接收一个选择器
            novel = ItemLoader(item=QidianHotItem(),selector=one_selector)
            # 使用XPath获取小说名称
            novel.add_xpath("name","h4/a/text()")
            # 使用XPath获取作者
            novel.add_xpath("author", "p[1]/a[1]/text()")
            # 使用XPath获取类型
            novel.add_xpath("type", "p[1]/a[2]/text()")
            
            # 使用XPath获取形式（连载还是完本）
            novel.add_xpath("form", "p[1]/span/text()")
            # 使用CSS选择器获取小说形式（连载还是完本）
            # novel.add_xpath("form", ".author span::text")
            
            # 将提取好的数据load出来，并使用yield返回
            yield novel.load_item()

• 很明显，使用ItemLoader实现的Spider功能，代码量更少、更加清晰。因为ItemLoader将数据提取与封装的功能全实现了。
• 在实例化ItemLoader时，ItemLoader接收一个item实例来指定要加载的Item（参数item）；指定response或者selector来确定要解析的内容（参数response或selector)。
• 3.使用ItemLoader填充数据
• 实例化ItemLoader对象后，就要开始提取数据到ItemLoader中了。ItemLoader提供了3种重要的方法将数据填充进来。
• add_xpath():使用XPath选择器提取数据。
• add_css():使用CSS选择器提取数据。
• add_value():直接传值。
• 以上3个方法中都有两个参数，第一个参数指定字段名，第二个参数指定对应的提取规则或者传值。
• 在上面的代码中，小说名称、作者、类型都是通过add_xpath填充到ItemLoader实例对象中，而小说形式是通过add_css填充的(#部分）。add_value用于直接传值，例如

novel.add_value("form","连载") #字段form值设置为字符串“连载”

• 4.给Item对象赋值
• 当提取的数据被填充到ItemLoader后，还需要调用load_item()方法给Item对象赋值。
• 5.进一步处理数据
• 下面两个问题一定也困扰着大家：
• （1）使用ItemLoader提取的数据，也是保存于列表中的，以前可以通过extract_first()或者extract()获取列表中的数据，但是ItemLoader中是如何实现呢？以下为生成的数据格式：

{'author':['卖报小郎君'],'form':['连载'],'name':['大奉打更人'],'type':['玄幻']}

• (2) 很多时候，我们还需要将选择器（XPath或CSS)提取出来的数据做进一步的处理，例如去除空格、提取数字或格式化数据等。这些数据又在哪里实现的呢？解决办法是，使用输入处理器（input_processor)和输入处理器（output_processor)对数据的输入和输出进行解析。
• 下面来看一个例子，实现将提取出来的小说形式（连载/完结）转换为简写形式（LZ/WJ）。下面在items.py中实现这个功能，实现代码如下：

import scrapy
# from scrapy.loader import ItemLoader #导入ItemLoder类
from itemloaders.processors import TakeFirst
# 定义一个转换小说形式的函数
def form_convert(form):
    if form[0] == "连载":
        return "LZ"
    else:
        return "WJ"

# 保存小说热销榜字段数据
class QidianHotItem(scrapy.Item):
    # TakeFirst为内置处理器，获取列表中第一个非空数据
    name = scrapy.Field(output_processor=TakeFirst()) #小说名称
    author = scrapy.Field(output_processor=TakeFirst()) # 作者
    type = scrapy.Field(output_processor=TakeFirst()) # 类型
    form = scrapy.Field(input_processor=form_convert,output_processor=TakeFirst()) #形式

• 首先定义了一个转换小说形式的函数form_convert()。参数如果为“连载”，则返回LZ；否则返回WJ。
• 在QidianHotItem类中，scrapy.Field()中设置了两个参数（或其中之一）：输入处理器（input_processor)和输出处理器（output_processor)。output_processor绑定了函数TakeFirst()。TakeFirst()函数为Scrapy内置的处理器，用于获取集合中第一个非空值。form为小说的字段，scrapy.Field()的参数input_processor绑定了函数form_convert()。当ItemLoader通过选择器（XPath或CSS)提取某字段数据后，就会将其发送给输入处理器进行处理，然后将处理完的数据发送给输出处理器做最后一次处理。最后调用load_item()函数间将数据填充进ItemLoader,并得到填充后的Item对象。每个字段的处理过程如下
  
• 6.运行项目
• 在终端中通过以下命令运行项目：

from scrapy.loader import ItemLoader #导入ItemLoder类

• 结果一直报错