Scrapy系列教程（2）------Item（結構化數據存儲結構）

Items

爬取的主要目標就是從非結構性的數據源提取結構性數據，比如網頁。 Scrapy提供 Item 類來滿足這種需求。

Item 對象是種簡單的容器。保存了爬取到得數據。 其提供了 類似於詞典(dictionary-like) 的API以及用於聲明可用字段的簡單語法。

聲明Item

Item使用簡單的class定義語法以及 Field 對象來聲明。

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 的朋友一定會注意到Scrapy Item定義方式與 Django Models 非常類似, 只是沒有那么多不同的字段類型(Field type)，更為簡單。

Item字段(Item Fields)

Field 對象指明了每一個字段的元數據(metadata)。比如以下樣例中 last_updated 中指明了該字段的序列化函數。

您能夠為每一個字段指明不論什么類型的元數據。 Field 對象對接受的值沒有不論什么限制。也正是由於這個原因，文檔也無法提供全部可用的元數據的鍵(key)參考列表。

 Field 對象中保存的每一個鍵能夠由多個組件使用，而且僅僅有這些組件知道這個鍵的存在。您能夠依據自己的需求，定義使用其它的Field 鍵。 設置 Field 對象的主要目的就是在一個地方定義好全部的元數據。

一般來說，那些依賴某個字段的組件肯定使用了特定的鍵(key)。您必須查看組件相關的文檔，查看其用了哪些元數據鍵(metadata key)。

須要注意的是。用來聲明item的 Field 對象並沒有被賦值為class的屬性。 只是您能夠通過Item.fields 屬性進行訪問。

以上就是全部您須要知道的怎樣聲明item的內容了。

與Item配合

接下來以 下邊聲明 的 Product item來演示一些item的操作。您會發現API和 dict API 很相似。

創建item

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

獲取字段的值

>>> 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 

設置字段的值

>>> 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'

獲取全部獲取到的值

您能夠使用 dict API 來獲取全部的值:

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

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

其它任務

復制item:

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

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

依據item創建字典(dict):

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

依據字典(dict)創建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'

擴展Item

您能夠通過繼承原始的Item來擴展item(加入很多其它的字段或者改動某些字段的元數據)。

比如:

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

您也能夠通過使用原字段的元數據,加入新的值或改動原來的值來擴展字段的元數據:

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

這段代碼在保留全部原來的元數據值的情況下加入(或者覆蓋)了 name 字段的 serializer 。

Item對象

class scrapy.item. Item ( [ arg ] )

返回一個依據給定的參數可選初始化的item。

Item復制了標准的 dict API 。包含初始化函數也同樣。Item唯一額外加入的屬性是:

fields

一個包括了item全部聲明的字段的字典。而不不過獲取到的字段。該字典的key是字段(field)的名字，值是 Item聲明 中使用到的 Field 對象。

字段(Field)對象

class scrapy.item. Field ( [ arg ] )

Field 不過內置的 dict 類的一個別名，並沒有提供額外的方法或者屬性。

換句話說， Field對象完全然全就是Python字典(dict)。被用來基於類屬性(class attribute)的方法來支持 item聲明