Question

我正在尝试关注this tutorial。

我希望我的desc字段是一个标准化为单个空格的字符串，并且是大写的。

dmoz_spider.py

import scrapy
from tutorial.items import DmozItem

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        for sel in response.xpath('//ul/li'):
            item = DmozItem()
            item['title'] = sel.xpath('a/text()').extract()
            item['link'] = sel.xpath('a/@href').extract()
            item['desc'] = sel.xpath('text()').extract()
            yield item

我尝试根据http://doc.scrapy.org/en/latest/topics/loaders.html#declaring-input-and-output-processors

声明输入/输出处理器

items.py

import scrapy
from scrapy.loader.processors import MapCompose, Join

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field(
        input_processor=MapCompose(
            lambda x: ' '.join(x.split()),
            lambda x: x.upper()
        ),
        output_processor=Join()
    )

然而，我的输出仍然是这样的。

{'desc': ['\r\n\t\r\n                                ',
          ' \r\n'
          '\t\t\t\r\n'
          '                                - By David Mertz; Addison Wesley. '
          'Book in progress, full text, ASCII format. Asks for feedback. '
          '[author website, Gnosis Software, Inc.]\r\n'
          '                                \r\n'
          '                                ',
          '\r\n                                '],
 'link': ['http://gnosis.cx/TPiP/'],
 'title': ['Text Processing in Python']}

我做错了什么？

我正在使用Python 3.5.1和Scrapy 1.1.0

我在这里提出了我的整个代码：https://github.com/prashcr/scrapy_tutorial，以便您可以根据需要尝试修改它。

Answer 1

但是，还有一个地方可以指定要使用的输入和输出处理器：在项目字段元数据中。

我怀疑文档有误导性/错误（或者可能已过时？），因为根据源代码，input_processor字段属性为only inside the ItemLoader instance，这意味着您需要无论如何要使用Item Loader。

您可以使用内置版本，并按原样保留DmozItem定义：

from scrapy.loader import ItemLoader

class DmozSpider(scrapy.Spider):
    # ...

    def parse(self, response):
        for sel in response.xpath('//ul/li'):
            loader = ItemLoader(DmozItem(), selector=sel)
            loader.add_xpath('title', 'a/text()')
            loader.add_xpath('link', 'a/@href')
            loader.add_xpath('desc', 'text()')
            yield loader.load_item()

这样会考虑input_processor和output_processor项目字段参数，并且会应用处理器。

或者您可以在自定义项目加载器中定义处理器，而不是Item类：

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()


class MyItemLoader(ItemLoader):
    desc_in = MapCompose(
        lambda x: ' '.join(x.split()),
        lambda x: x.upper()
    )

    desc_out = Join()

并使用它来加载蜘蛛中的物品：

def parse(self, response):
    for sel in response.xpath('//ul/li'):
        loader = MyItemLoader(DmozItem(), selector=sel)
        loader.add_xpath('title', 'a/text()')
        loader.add_xpath('link', 'a/@href')
        loader.add_xpath('desc', 'text()')
        yield loader.load_item()

Answer 2

我要解决的方法是在Scrapy项目中实现管道，这样就不必弄乱现有代码。

piplines.py

class DmozPipeline(object):

    def process_item(self, item, spider):

        item['desc'] = ''.join(item['desc'].split()).upper()

    return item

别忘了在settings.py中激活管道

https://docs.scrapy.org/en/latest/topics/item-pipeline.html

为什么Scrapy中的输入/输出处理器无法正常工作？

2 个答案: