python - 无需明确定义要抓取的每个字段即可抓取数据

Question

我想抓取一页数据(使用 Python Scrapy 库)，而不必在页面上定义每个单独的字段。相反，我想使用元素的 id 作为字段名称动态生成字段。

起初我认为最好的方法是建立一个收集所有数据的管道，并在收集到所有数据后将其输出。

然后我意识到我需要将数据传递到项目中的管道，但我无法定义项目，因为我不知道它需要哪些字段!

解决这个问题的最佳方法是什么？

Answer 1

更新:

旧方法不适用于 item loaders并不必要地使事情复杂化。这是实现灵活项目的更好方法:

from scrapy.item import BaseItem
from scrapy.contrib.loader import ItemLoader

class FlexibleItem(dict, BaseItem):
    pass

if __name__ == '__main__':
    item = FlexibleItem()
    loader = ItemLoader(item)

    loader.add_value('foo', 'bar')
    loader.add_value('baz', 123)
    loader.add_value('baz', 'test')
    loader.add_value(None, {'abc': 'xyz', 'foo': 555})

    print loader.load_item()

    if 'meow' not in item:
        print "it's not a cat!"

结果:

{'foo': ['bar', 555], 'baz': [123, 'test'], 'abc': ['xyz']}
it's not a cat!

Old solution:

Okay, I've found a solution. It's a bit of "hack" but it works..

A Scrapy Item stores the field names in a dict called fields. When adding data to an Item it checks if the field exists, and if it doesn't it throws and error:

def __setitem__(self, key, value):
    if key in self.fields:
        self._values[key] = value
    else:
        raise KeyError("%s does not support field: %s" %\
              (self.__class__.__name__, key))

你可以做的是重写这个 __setitem__ 函数，使其不那么严格:

class FlexItem(Item):
    def __setitem__(self, key, value):
        if key not in self.fields:
            self.fields[key] = Field()

        self._values[key] = value

好了。

现在，当您向项目添加数据时，如果该项目未定义该字段，则会添加该字段，然后数据将正常添加。