1.引入ItemLoader
- 在项目的item.py文件中创建一个自定义的loader类,然后让这个自定义类继承ItemLoader类;
class XkdItemLoader(ItemLoader):
default_output_processor = TakeFirst()
-
ItemLoader类的语法:
scrapy.loader.ItemLoader([ item,selector,response,] ** kwargs )
,它可以接收一个 Item 实例来指定要加载的 Item,然后指定 r来确定要解析的内容esponse 或者 selector; ItemLoader 实例还提供很多方法,如提供add_css()方法和add_xpath()方法来通过 css 和xpath 解析赋值,或使用add_value()方法来单独进行赋值等。 -
更多其他的用法大家可以查看: https://doc.scrapy.org/en/latest/topics/loaders.html
2.修改spider,让itemloader完成素定位和元素解析
- 首先重写spider中的parse_analyse方法,导入自定义的loader类,然后需要实例化这个loader类,将参数item和response传递到loader类中。 然后可以使用add_css()、add_xpath()、add_value()方法来提取和收集数据保存到loader类实例化对象中; 最后当所有数据被收集起来之后,调用
ItemLoader.load_item()
方法对结果进行解析并保存到一个item中,然后返回这个item;
def parse_analyse(self, response):
# 构建loader
xkd_itemload = MyItemLoader(item=XkdDribbbleSpiderItem(), response=response)
image_url = response.meta.get('a_image_url')
# 通过loader定位元素和解析元素
xkd_itemload.add_css('title', "[role='article'] header h1")
# 注意这里传递的是一个列表
xkd_itemload.add_value('image_url', [image_url])
xkd_itemload.add_value('url', response.url)
xkd_itemload.add_value('url_id', get_md5(response.url))
xkd_itemload.add_css('date', 'p span.date::text')
# 解析元素之后返回item
xkd_item = xkd_itemload.load_item()
# 将item返回
yield xkd_item
3.修改item数据模型
-
修改item数据模型,需要导入
from scrapy.loader.processors import MapCompose
,可以在scrapy.Field中加入处理函数。MapCompose是一种处理器,由给定功能的组合构成,类似于Compose处理器,与此处理器的不同之处在于内部结果在函数之间传递的方式; -
Scrapy还给我们提供了一个
scrapy.loader.processors.TakeFirst()
方法,用于返回第一个非空值(相当于extract_first()方法),常用于单值字段的输出处器,无参数;
from scrapy.loader.processors import TakeFirst, MapCompose
from datetime import datetime
def str_to_date(str_date):
str_date = str_date.strip()
date = datetime.strptime(str_date, '%b %d, %Y').date()
return date.strftime('%Y-%m-%d')
class XkdDribbbleSpiderItem(scrapy.Item):
title = scrapy.Field()
image_url = scrapy.Field(
output_processor = MapCompose(lambda value: value)
)
date = scrapy.Field(
input_processor = MapCompose(str_to_date)
)
image_path = scrapy.Field()
url = scrapy.Field()
url_id = scrapy.Field()
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69908432/viewspace-2649454/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/69908432/viewspace-2649454/