Scrapy Item Loaders使用方法

最新推荐文章于 2022-11-21 14:15:05 发布

程行者

最新推荐文章于 2022-11-21 14:15:05 发布

阅读量358

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/sinat_41622641/article/details/83869173

版权

python 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

使用方法实例

以爬取伯乐文章为例，使用itemloader后：

items.py

from scrapy.loader.processors import MapCompose,TakeFirst
import datetime
from scrapy.loader import ItemLoader


class ArticleItemLoader(ItemLoader):
    """自定制ItemLoader，取值都会调用TakeFirst函数"""
    default_output_processor = TakeFirst()


def transform_date(publish_date):
    """在item赋值前处理之前xpath定位的的publish_date字段并返回"""
    try:
        publish_date = publish_date.strip().split(' ')[0]
        publish_date = datetime.datetime.strptime(publish_date, "%Y/%m/%d")
    except:
        publish_date = datetime.datetime.now()
    return publish_date


def get_collect_num(value):
    """在item赋值前处理之前xpath定位的的 collect_num 字段并返回"""
    try:
        collect_num = int(value.strip().split(' ')[0])
    except:
        collect_num=0
    return collect_num


def return_value(value):
    """覆盖output_processor，保持默认的状态"""
    return value



class JobboleArticleItem(scrapy.Item):
    title = scrapy.Field()
    publish_date = scrapy.Field(
        # 对传入到item的值调用指定的函数进行预处理，且自动传入传入当前字段值
        input_processor= MapCompose(transform_date),
    )
    cate = scrapy.Field()
    favor_num = scrapy.Field(
        input_processor=MapCompose(lambda x:int(x))
    )
    collect_num = scrapy.Field(
        input_processor=MapCompose(get_collect_num)
    )  # 收藏
    img_url=scrapy.Field(
        output_processor=MapCompose(return_value)
    )  # 封面图片
    img_save_path=scrapy.Field(
    )  # 封面图片
    url = scrapy.Field()  # 当前图片路径

jobbole_spider.py

from scrapy.loader import ItemLoader
from ..items import JobboleArticleItem,ArticleItemLoader

def parse_detail(self,response):
    """解析文章的具体字段"""
    img_url = response.meta.get('img_url','')
    img_url = urljoin(response.url,img_url)
    
    # 1、实例化ArticleItemLoader对象
    item_loader= ArticleItemLoader(item=JobboleArticleItem(), response=response)
    
    # 2、搜集数据，指定保存的字段名和xpath路径，
    # item_loader.add_css('title','...')
    item_loader.add_xpath('title', '//*[@class="entry-header"]/h1/text()')
    item_loader.add_xpath('publish_date', '//*[@class="entry-meta-hide-on-mobile"]/text()[1]')
    item_loader.add_xpath('cate', '//p[@class="entry-meta-hide-on-mobile"]/a[1]/text()')
    item_loader.add_xpath('favor_num', '//*[@class="post-adds"]/span[1]/h10/text()')
    item_loader.add_xpath('collect_num','//*[@class="post-adds"]/span[2]/text()')
    
    # 2、添加已经确定的值到loader中
    item_loader.add_value('img_url', [img_url])  # 特殊字段，必须输入列表或元祖对象，供默认的imagepipeline使用
    item_loader.add_value('url', response.url)
    item_loader.add_value('img_save_path', '')
    
    # 3、调用load_item方法取出最终的item对象并返回
    loaded_item = item_loader.load_item()
    return loaded_item

# 通过item css 实现
  # front_image_url = response.meta.get("front_image_url", "")  # 文章封面图
        # item_loader = ArticleItemLoader(item=JobBoleArticleItem(), response=response)
        # item_loader.add_css("title", ".entry-header h1::text")
        # item_loader.add_value("url", response.url)
        # item_loader.add_value("url_object_id", get_md5(response.url))
        # item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text")
        # item_loader.add_value("front_image_url", [front_image_url])
        # item_loader.add_css("praise_nums", ".vote-post-up h10::text")
        # item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text")
        # item_loader.add_css("fav_nums", ".bookmark-btn::text")
        # item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text")
        # item_loader.add_css("content", "div.entry")
        # 
        # article_item = item_loader.load_item()
        # yield article_item