使用Item Loaders对Item数据进行提取和解析(整理) 以及 多线程异步的形式对数据进行写入

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；

步骤如下:

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；

附如下的代码

# jobbole.py
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 
import scrapy,re
from datetime import datetime
from scrapy.contrib.loader.processor import Join, MapCompose, TakeFirst

# 函数中的参数value值，是add_xpath/add_css/add_value传过来的列表数据中的每一个元素。
# def input_test_title(value):
#     return value + '===='
#
# def output_test_title(value):
#     return '---' + value
#
# def result(value):
#     # 这里面join拼接的大列表里的一个元素
#     return ''.join(value)
def convert_datetime(value):

# item.py
 
# 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):
    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()
    )
    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()

实现自定义的ItemLoader
from scrapy.contrib.loader import ItemLoader
class CustomItemloader(ItemLoader):
    """
    实现自定义的ItemLoader，可以指定默认的output_processor的值。可以避免在每一个字段中，设置重复的值。
    """
    default_output_processor = TakeFirst()

在pipeline.py中:

# 定义处理图片的Pipeline
class ImagePipeline(ImagesPipeline):
    # 图片下载完成以后的调用方法。
    def item_completed(self, results, item, info):
        print('---',results)
        # return item
        # 如果图片能够下载成功，说明这个文章是有图片的。如果results中不存在path路径，说明是没有图片的。
        # [(True, {'path': ''})]
        if results:
            try:
                img_path = results[0][1]['path']
            except Exception as e:
                print('img_path获取异常，',e)
                img_path = '没有图片'
        else:
            img_path = '没有图片'

        # 对item对象中的img_path进行赋值
        item['img_path'] = img_path

        # 判断完成，需要将变量img_path重新保存到item中。

        return item


# 数据库pymysql的commit()和execute()在提交数据时，都是同步提交至数据库，由于scrapy框架数据的解析和异步多线程的，所以scrapy的数据解析速度，要远高于数据的写入数据库的速度。如果数据写入过慢，会造成数据库写入的阻塞，影响数据库写入的效率。
# 通过多线程异步的形式对数据进行写入，可以提高数据的写入速度。
from pymysql import cursors

# 使用twsited异步IO框架，实现数据的异步写入。
from twisted.enterprise import adbapi

class MySQLTwistedPipeline(object):
    """
        MYSQL_HOST = 'localhost'
        MYSQL_DB = 'jobbole'
        MYSQL_USER = 'root'
        MYSQL_PASSWD = '123456'
        MYSQL_CHARSET = 'utf8'
        MYSQL_PORT = 3306
    """
    def __init__(self, dbpool):
        self.dbpool = dbpool

    @classmethod
    def from_settings(cls, settings):
        params = dict(
            host=settings['MYSQL_HOST'],
            db=settings['MYSQL_DB'],
            user=settings['MYSQL_USER'],
            passwd=settings['MYSQL_PASSWD'],
            charset=settings['MYSQL_CHARSET'],
            port=settings['MYSQL_PORT'],
            cursorclass=cursors.DictCursor,
        )
        # 初始化数据库连接池(线程池)
        # 参数一：mysql的驱动
        # 参数二：连接mysql的配置信息
        dbpool = adbapi.ConnectionPool('pymysql', **params)
        return cls(dbpool)

    def process_item(self, item, spider):
        # 在该函数内，利用连接池对象，开始操作数据，将数据写入到数据库中。
        # pool.map(self.insert_db, [1,2,3])
        # 同步阻塞的方式： cursor.execute() commit()
        # 异步非阻塞的方式
        # 参数1：在异步任务中要执行的函数insert_db；
        # 参数2：给该函数insert_db传递的参数
        query = self.dbpool.runInteraction(self.insert_db, item)

        # 如果异步任务执行失败的话，可以通过ErrBack()进行监听, 给insert_db添加一个执行失败的回调事件
        query.addErrback(self.handle_error)

        return item

    def handle_error(self, field):
        print('-----数据库写入失败：',field)

    def insert_db(self, cursor, item):
        insert_sql = "INSERT INTO bole(title, date_time, tags, content, zan_num, keep_num, comment_num, img_src, img_path) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s)"
        cursor.execute(insert_sql, (item['title'], item['date_time'], item['tags'], item['content'], item['zan_num'], item['keep_num'], item['comment_num'], item['img_src'], item['img_path']))

        # 在execute()之后，不需要再进行commit()，连接池内部会进行提交的操作。