1.为什么要使用Item Loaders?它有什么优点呢?
原因:
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name.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)
优点:
(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;
2.Item Loaders的执行流程
(1). 当创建item对象(item=XXXXItem())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name.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;
3.以伯乐在线为例,代码如下
bole.py
from scrapy.loader import ItemLoader
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
items.py
from scrapy.contrib.loader.processor import Join, MapCompose, TakeFirst
def convert_datetime(value):
# 将字符串类型转化成datetime类型
value = value.replace('·', '').strip()
try:
# strptime(时间字符串,转化后的格式): 函数返回值是datetime类型的对象
date_time = datetime.strptime(value, '%Y/%m/%d')
except:
# 如果转化失败,将当前时间作为默认值。
date_time = datetime.now()
return date_time
def convert_tags(value):
# ['自由职业', '1 评论', '职业']
# 过滤 "评论"
if "评论" in value:
return ""
return value
def zan_number(value):
# ['','1','赞']
if value.strip() != "":
pattern = re.compile(r'\d+')
num = re.findall(pattern, value)
if num:
num = int(num[0])
else:
num = 0
return num
def get_number(value):
# 提取评论、点赞数
pattern = re.compile(r'\d+')
num = re.findall(pattern, value)
if num:
num = int(num[0])
else:
num = 0
return num
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),
output_processor=Join()
)
content = scrapy.Field(
output_processor=Join()
)
zan_num = scrapy.Field(
# ['', '1', ' 赞']
input_processor=MapCompose(zan_number),
output_processor=TakeFirst()
)
keep_num = scrapy.Field(
input_processor=MapCompose(get_number),
output_processor=TakeFirst()
)
comment_num = scrapy.Field(
input_processor=MapCompose(get_number),
output_processor=TakeFirst()
)
# 图片的源地址
img_src = scrapy.Field()
# 图片在本地的下载路径, 该字段只有在图片下载完成以后,才能进行赋值。
img_path = scrapy.Field()