抓取的主要目的是从非结构化源(通常是网页)中提取结构化数据。Scrapy Spider可以将提取的数据作为Python字典返回。Python字典虽然方便且熟悉,但缺乏结构:很容易在字段名称中输入错误或返回不一致的数据,尤其是在具有许多蜘蛛的大型项目中。
为了定义常见的输出数据格式,Scrapy提供了Item类。item对象是用于收集抓取数据的简单容器。它们提供了类似于字典的API,具有方便的语法来声明其可用字段。
1.声明Item
Item 使用简单的 class 定义语法以及 Field
对象来声明。例如:
import scrapy
class Product(scrapy.Item):
name = scrapy.Field()
price = scrapy.Field()
stock = scrapy.Field()
last_updated = scrapy.Field(serializer=str)
熟悉 Django 的朋友一定会注意到 Scrapy Item 定义方式与 Django Models 很类似, 不过没有那么多不同的字段类型(Field type),更为简单。
2.Item字段
Field
对象指明了每个字段的元数据(metadata)。例如下面例子中last_updated
中指明了该字段的序列化函数。
您可以为每个字段指明任何类型的元数据。Field
对象对接受的值没有任何限制。也正是因为这个原因,文档也无法提供所有可用的元数据的键(key)参考列表。Field
对象中保存的每个键可以由多个组件使用,并且只有这些组件知道这个键的存在。您可以根据自己的需求,定义使用其他的 Field 键。 设置 Field 对象的主要目的就是在一个地方定义好所有的元数据。一般来说,那些依赖某个字段的组件肯定使用了特定的键(key)。您必须查看组件相关的文档,查看其用了哪些元数据键(metadata key)。
需要注意的是,用来声明item
的Field
对象并没有被赋值为class
的属性。不过您可以通过 Item.fields
属性进行访问。
3.Item处理项目
接下来以下边声明的 Product item
来演示一些 item 的操作。您会发现 API 和 dict API 非常相似。
创建 item
>>> product = Product(name='Desktop PC', price=1000)
>>> print product
Product(name='Desktop PC', price=1000)
获取字段的值
>>> product['name']
Desktop PC
>>> product.get('name')
Desktop PC
>>> product['price']
1000
>>> product['last_updated']
Traceback (most recent call last):
...
KeyError: 'last_updated'
>>> product.get('last_updated', 'not set')
not set
>>> product['lala'] # getting unknown field
Traceback (most recent call last):
...
KeyError: 'lala'
>>> product.get('lala', 'unknown field')
'unknown field'
>>> 'name' in product # is name field populated?
True
>>> 'last_updated' in product # is last_updated populated?
False
>>> 'last_updated' in product.fields # is last_updated a declared field?
True
>>> 'lala' in product.fields # is lala a declared field?
False
设置field值
>>> product['last_updated'] = 'today'
>>> product['last_updated']
today
>>> product['lala'] = 'test' # setting unknown field
Traceback (most recent call last):
...
KeyError: 'Product does not support field: lala'
获取所有获取到的值
您可以使用dict API
来获取所有的值:
>>> product.keys()
['price', 'name']
>>> product.items()
[('price', 1000), ('name', 'Desktop PC')]
复制items
要复制item
,您必须确定是要浅拷贝
还是深拷贝
。
#浅拷贝
product2 = product.copy() or product2 = Product(product)
#深拷贝
product2 = product.deepcopy()
4.其他操作
item转化成dict
>>> dict(product) # create a dict from all populated values
{'price': 1000, 'name': 'Desktop PC'}
dict转化 item
>>> Product({'name': 'Laptop PC', 'price': 1500})
Product(price=1500, name='Laptop PC')
>>> Product({'name': 'Laptop PC', 'lala': 1500}) # warning: unknown field in dict
Traceback (most recent call last):
...
KeyError: 'Product does not support field: lala'
5.扩展item
您可以通过继承原始的Item来扩展 item(添加更多的字段或者修改某些字段的元数据)。
class DiscountedProduct(Product):
discount_percent = scrapy.Field(serializer=str)
discount_expiration_date = scrapy.Field()
您也可以通过使用原字段的元数据,添加新的值或修改原来的值来扩展字段的元数据:
class SpecificProduct(Product):
name = scrapy.Field(Product.fields['name'], serializer=my_serializer)
这段代码在保留所有原来的元数据值的情况下添加(或者覆盖)了 name
字段的 serializer
。
6.Item对象
class scrapy.item.Item([arg])
返回一个根据给定的参数可选初始化的item
。
Item复制了标准的 dict API
。包括初始化函数也相同。Item 唯一额外添加的属性是:fields
一个包含了item
所有声明的字段的字典,而不仅仅是获取到的字段。该字典的 key
是字段(field)的名字,值是Item声明中使用到的 Field
对象。
7.Field对象
class scrapy.item.Field([arg])
Field 仅仅是内置的 dict
类的一个别名,并没有提供额外的方法或者属性。换句话说,Field
对象完完全全就是 Python 字典(dict)。被用来基于类属性(class attribute)
的方法来支持 item
声明语法。