Skip to main content

项目

剪贴的主要目标是从非结构化来源(通常是网页)提取结构化数据。 Scrapy蜘蛛可以将提取的数据作为Python语句返回。虽然方便和熟悉,Python dicts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,特别是在与许多蜘蛛的大项目。

要定义公共输出数据格式,Scrapy提供了 Item 类。 Item 对象是用于收集所刮取数据的简单容器。它们提供了一个方便的语法来声明其可用字段的 dictionary-like API。

各种Scrapy组件使用项目提供的额外信息:导出器查看已声明字段以计算要导出的列,序列化可使用项字段元数据自定义,trackref 跟踪项实例以帮助查找内存泄漏(见 使用 trackref 调试内存泄漏)等。

声明项目

使用简单的类定义语法和 Field 对象来声明项目。这里是一个例子:

import scrapy

class Product(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    stock = scrapy.Field()
    last_updated = scrapy.Field(serializer=str)

注解

熟悉 Django 的人会注意到,Scrapy项目被声明为类似于 Django Models,除了Scrapy项目更简单,因为没有不同字段类型的概念。

项目字段

Field 对象用于为每个字段指定元数据。例如,上面示例中所示的 last_updated 字段的串行化函数。

您可以为每个字段指定任何种类的元数据。对 Field 对象接受的值没有限制。出于同样的原因,没有所有可用元数据键的参考列表。 Field 对象中定义的每个键可以由不同的组件使用,并且只有那些组件知道它。您还可以根据自己的需要定义和使用项目中的任何其他 Field 密钥。 Field 对象的主要目标是提供一种在一个地方定义所有字段元数据的方法。通常,那些行为取决于每个字段的组件使用某些字段键来配置该行为。您必须参考他们的文档,以查看每个组件使用哪些元数据键。

重要的是要注意,用于声明项目的 Field 对象不会被分配为类属性。相反,可以通过 Item.fields 属性访问它们。

使用项目

下面是使用 Product 项目 以上声明 对项目执行的常见任务的一些示例。您会注意到API与 dict API 非常相似。

创建项目

>>> product = Product(name='Desktop PC', price=1000)
>>> print product
Product(name='Desktop PC', price=1000)

获取字段值

>>> 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

设置字段值

>>> 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'

访问所有填充值

要访问所有填充值,只需使用典型的 dict API:

>>> product.keys()
['price', 'name']

>>> product.items()
[('price', 1000), ('name', 'Desktop PC')]

其他常见任务

正在复制项目:

>>> product2 = Product(product)
>>> print product2
Product(name='Desktop PC', price=1000)

>>> product3 = product2.copy()
>>> print product3
Product(name='Desktop PC', price=1000)

从项目创建日志:

>>> dict(product) # create a dict from all populated values
{'price': 1000, 'name': 'Desktop PC'}

从词典中创建项目:

>>> 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'

扩展项目

您可以通过声明原始项的子类来扩展项(以添加更多字段或更改某些字段的某些元数据)。

例如:

class DiscountedProduct(Product):
    discount_percent = scrapy.Field(serializer=str)
    discount_expiration_date = scrapy.Field()

您还可以通过使用上一个字段元数据并附加更多值或更改现有值来扩展字段元数据,如下所示:

class SpecificProduct(Product):
    name = scrapy.Field(Product.fields['name'], serializer=my_serializer)

name 字段添加(或替换) serializer 元数据键,保留所有先前存在的元数据值。

项目对象

class scrapy.item.Item([arg])

返回一个可以从给定参数初始化的新项目。

项目复制标准 dict API,包括其构造函数。 Items提供的唯一的附加属性是:

fields

包含此项目的 所有声明的字段 的字典,不仅是填充的。键是字段名称,值是 项目声明 中使用的 Field 对象。

字段对象

class scrapy.item.Field([arg])

Field 类只是内置 dict 类的别名,不提供任何额外的功能或属性。换句话说,Field 对象是普通的Python代码。基于类属性,单独的类用于支持 项声明语法