itemloader保存数据（伯乐在线为例）

代码如下：

主要结构：

# -*- coding: utf-8 -*-
import scrapy
from ..items import JobboleItem
from urllib.parse import urljoin
from scrapy.loader import ItemLoader


class BoleSpider(scrapy.Spider):
    name = 'bole'
    allowed_domains = ['jobbole.com']
    start_urls = ['http://blog.jobbole.com/all-posts/']

    def parse(self, response):
        """
        解析列表页
        :param response:
        :return:
        """

        divs = response.xpath('//div[@id="archive"]/div[@class="post floated-thumb"]')
        # for a in all_a:
        #     # 获取详情页的地址
        #     href = a.xpath('./@href').extract_first('')
        #     # 获取文章图片地址
        #     try:
        #         # /wp-content/uploads/vb/44-thumb_0006230.jpg 图片地址可能含有相对图片地址
        #         img_src = urljoin('http://blog.jobbole.com', a.xpath('./img/@src').extract_first(''))
        #     except Exception as e:
        #         img_src = '没有图片'
        #
        #     yield scrapy.Request(href, callback=self.parse_detail_page, meta={
        #         'img_src': img_src
        #     })
        for article_div in divs:
            # 获取class="post-thumb"的标签，如果有，说明这个文章含有图片，反之没有图片。
            img_src = urljoin('http://blog.jobbole.com', article_div.xpath('./div[@class="post-thumb"]/a/img/@src').extract_first(''))
            if img_src == 'http://blog.jobbole.com':
                img_src = 'https://image.baidu.com/search/detail?ct=503316480&z=0&ipn=d&word=%E5%BF%83%E6%80%81%E7%82%B8%E8%A3%82%E5%9B%BE%E7%89%87&hs=2&pn=0&spn=0&di=142010103620&pi=0&rn=1&tn=baiduimagedetail&is=0%2C0&ie=utf-8&oe=utf-8&cl=2&lm=-1&cs=1400778086%2C2582284514&os=1208831830%2C738191100&simid=0%2C0&adpicid=0&lpn=0&ln=30&fr=ala&fm=&sme=&cg=&bdtype=0&oriquery=%E5%BF%83%E6%80%81%E7%82%B8%E8%A3%82%E5%9B%BE%E7%89%87&objurl=http%3A%2F%2Fwww.tshyqs.com%2Fupload%2Fimg%2F14960294.jpg&fromurl=ippr_z2C%24qAzdH3FAzdH3Fooo_z%26e3Bpfiyqf_z%26e3Bv54AzdH3Fvi7xtg2AzdH3F0lml9_z%26e3Bip4s&gsm=0&islist=&querylist='

            # 获取class="post-meta"内部的详情页地址

            detail_url = article_div.xpath('./div[@class="post-meta"]/p/a[@class="archive-title"]/@href').extract_first('')

            yield scrapy.Request(detail_url, callback=self.parse_detail_page, meta={'img_src': img_src})

        # 获取下一页的url地址
        try:
            next_url = response.xpath('//a[contains(@class, "next")]/@href').extract_first('')
        except:
            pass
        else:
            yield scrapy.Request(next_url, callback=self.parse)


    def parse_detail_page(self, response):
        """
        解析详情页数据
        :param response:
        :return:
        """
        # 不使用ItemLoader的写法
        # # 文章标题
        # title = response.xpath('//div[@class="entry-header"]/h1/text()').extract_first('')
        #
        # # 文章发布时间
        # date_time = response.xpath('//p[@class="entry-meta-hide-on-mobile"]/text()').extract_first('').replace('·', '').strip()
        # # 将字符串类型的date_time转化成datetime类型的数据。
        #
        # # 文章所属标签, 标签中可能含有评论信息, 需要对tag中的评论内容进行过滤。
        # tags_list = response.xpath('//p[@class="entry-meta-hide-on-mobile"]/a/text()').extract()
        # # 遍历tags_list列表，将其中的评论元素，从列表中去除。
        # # endswith(): 以什么字符结尾
        # # 如果列表tags_list中的元素，不是以 "评论" 结尾的，就将这个元素保存到新列表中。反之，不会将其放入新列表中。
        # # "评论" 字符的前后两端是包含空格的。
        # tags = '; '.join([tag for tag in tags_list if not tag.strip().endswith('评论')])
        #
        # # 获取文章的内容以及评论数，点赞数，收藏数内容
        # content = ''.join(response.xpath('//div[@class="entry"]//text()').extract()).strip()
        #
        # numbers_div = response.xpath('//div[@class="post-adds"]')[0]
        # zan_num = numbers_div.xpath('./span[contains(@class, "vote-post-up")]/h10/text()').extract_first('0')
        # keep_num = numbers_div.xpath('./span[contains(@class, "bookmark-btn")]/text()').re_first('\d+', default='0')
        # comment_num = numbers_div.xpath('.//span[contains(@class, "btn-bluet-bigger")]/text()').re_first('\d+', default='0')
        #
        # img_src = response.meta['img_src']
        #
        # item = JobboleItem()
        # item['title'] = title
        # item['date_time'] = date_time
        # item['tags'] = tags
        # item['content'] = content
        # item['zan_num'] = zan_num
        # item['keep_num'] = keep_num
        # item['comment_num'] = comment_num
        # item['img_src'] = [img_src]
        #
        # yield item


        # 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；

        """
        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；
        """

        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


if __name__ == '__main__':
    url = '/a/b'
    url2 = 'http://www.baidu.com/c/d'

    print(urljoin('http://www.baidu.com', url))
    print(urljoin('http://www.baidu.com', url2))
    print(urljoin('http://www.baidu.com/1/2/3', url2))

 items.py 文件

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

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):
    # 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


def process_image(value):
    # 拼接图片地址
    return value


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()


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()

 pipelines.py文件：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

from scrapy.pipelines.images import ImagesPipeline


class JobbolePipeline(object):
    def process_item(self, item, spider):
        return item


# 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。

 debug.py 文件

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'bole'])

 settings.py 文件：

ROBOTSTXT_OBEY = False


ITEM_PIPELINES = {
    'scrapy.pipelines.images.ImagesPipeline': None,
    'jobbole.pipelines.ImagePipeline': 300,
    'jobbole.pipelines.MySQLTwistedPipeline': 301,
}

IMAGES_STORE = 'imgs'
IMAGES_URLS_FIELD = 'img_src'


MYSQL_HOST = 'localhost'
MYSQL_DB = 'jobbole'
MYSQL_USER = 'root'
MYSQL_PASSWD = '123456'
MYSQL_CHARSET = 'utf8'
MYSQL_PORT = 3306