Scrapy系列教程(2)------Item(结构化数据存储结构)
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,比如网页。 Scrapy提供 Item 类来满足这种需求。
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。
比如:
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 的朋友一定会注意到Scrapy Item定义方式与 Django Models 非常类似, 只是没有那么多不同的字段类型(Field type),更为简单。
Item字段(Item Fields)
Field 对象指明了每一个字段的元数据(metadata)。比如以下样例中 last_updated 中指明了该字段的序列化函数。
您能够为每一个字段指明不论什么类型的元数据。 Field 对象对接受的值没有不论什么限制。也正是由于这个原因,文档也无法提供全部可用的元数据的键(key)參考列表。
Field 对象中保存的每一个键能够由多个组件使用,而且仅仅有这些组件知道这个键的存在。您能够依据自己的需求,定义使用其它的Field 键。 设置 Field 对象的主要目的就是在一个地方定义好全部的元数据。
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)。
须要注意的是。用来声明item的 Field 对象并没有被赋值为class的属性。 只是您能够通过Item.fields 属性进行訪问。
以上就是全部您须要知道的怎样声明item的内容了。
与Item配合
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 很相似。
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
设置字段的值
>>> 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'
获取全部获取到的值
您能够使用 dict API 来获取全部的值:
>>> product.keys()
['price', 'name']
>>> product.items()
[('price', 1000), ('name', 'Desktop PC')]
其它任务
复制item:
>>> product2 = Product(product)
>>> print product2
Product(name='Desktop PC', price=1000)
>>> product3 = product2.copy()
>>> print product3
Product(name='Desktop PC', price=1000)
依据item创建字典(dict):
>>> dict(product) # create a dict from all populated values
{'price': 1000, 'name': 'Desktop PC'}
依据字典(dict)创建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'
扩展Item
您能够通过继承原始的Item来扩展item(加入很多其它的字段或者改动某些字段的元数据)。
比如:
class DiscountedProduct(Product):
discount_percent = scrapy.Field(serializer=str)
discount_expiration_date = scrapy.Field()
您也能够通过使用原字段的元数据,加入新的值或改动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)
这段代码在保留全部原来的元数据值的情况下加入(或者覆盖)了 name 字段的 serializer 。