Python 爬虫框架 Items学习

Items

爬取的主要目标就是从非结构性的数据源提取结构性数据，例如网页。 Scrapy提供 Item 类来满足这样的需求。

Item 对象是种简单的容器，保存了爬取到得数据。 其提供了 类似于词典(dictionary-like) 的API以及用于声明可用字段的简单语法。

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 ExtractionItem(scrapy.Item):
	title = scrapy.Field()
	link = scrapy.Field()
	last_updated = scrapy.Field(serializer=str)

Item字段(Item Fields)

Field 对象指明了每个字段的元数据(metadata)。例如上面例子中 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。

举个例子：

# file: items.py
import scrapy

class ExtractionItem(scrapy.Item):
	title = scrapy.Field()
	link = scrapy.Field()
	last_updated = scrapy.Field(serializer = str)

def main():
	extraction = ExtractionItem(title = 'zhao', link = 123)
	extraction['last_updated'] = 'today'
	print(extraction)
	print(extraction.get('title'))
	print(extraction.get('last_updated'))
	print(extraction.keys())
	print(extraction.items())

	extraction2 = extraction.copy()
	print(extraction2)

	print(dict(extraction))

	extraction3 = ExtractionItem({'title' : 'lu', 'link' : 456})
	print(extraction3)

if __name__ == '__main__':
	main()

输出结果为：

:python3 items.py
{'last_updated': 'today', 'link': 123, 'title': 'zhao'}
zhao
today
dict_keys(['title', 'link', 'last_updated'])
ItemsView({'last_updated': 'today', 'link': 123, 'title': 'zhao'})
{'last_updated': 'today', 'link': 123, 'title': 'zhao'}
{'title': 'zhao', 'link': 123, 'last_updated': 'today'}
{'link': 456, 'title': 'lu'}

扩展Item

class SpecificExtractionItem(ExtractionItem):
    title = scrapy.Field(ExtractionItem.fields['title'], 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 title 字段的 serializer 。

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。

字段(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 。