Scrapy 如何使用 itemloader 填充空项目？

Question

我正在尝试抓取电子商务网站。我的目标是获取卖家信息。

我的代码比实际代码更简单

当我的蜘蛛访问一个没有卖家数据的页面时，我的商品字段 'company' 和 'owner' 填充为无。 是的，我的字段填充为 None 没关系。但我的问题是我的领域刚刚消失了！

# My spider
class GmarketSpider(CrawlSpider):
    name = 'gmarket'
    allowed_domains = ['gmarket.co.kr']
    start_urls = ['http://www.gmarket.co.kr/']
    rules = (
        Rule(callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        loader = GmarketLoader(item=GmarketItem(), response=response)
        loader.add_xpath('company', '//something')
        loader.add_xpath('owner', '//something')
        return loader.load_item()


# My item
class GmarketItem(scrapy.Item):
    company = scrapy.Field()
    owner = scrapy.Field()



# My loader
class GmarketLoader(ItemLoader):
    default_input_processor = Identity()
    default_output_processor = TakeFirst()


# My pipeline
class InvalidPagePipeline(object):

    def process_item(self, item, spider):
        if item['owner'] is None: # This line gives me an error
            raise DropItem()
        else:
            return item

请查看我的管道代码。我检查了页面是否有效的 item['owner'] 的值。如果页面无效，那么我预计 item['owner'] 填充为 None。但它给了我一个错误，因为“所有者”密钥完全消失了......

这是错误信息

2019-11-05 20:22:57 [scrapy.core.scraper] ERROR: Error processing {'market': ['Gmarket'],
 'url': ['https://sslmember2.gmarket.co.kr/FindPW/FindPW?targetUrl=http%3a%2f%2fmyg.gmarket.co.kr%2f']}
Traceback (most recent call last):
  File "d:\python projects\sellerinfoscraper\venv\lib\site-packages\twisted\internet\defer.py", line 654, in _runCallbacks
    current.result = callback(current.result, *args, **kw)
  File "D:\Python Projects\SellerInfoScraper\sellerInfo\sellerInfo\pipelines.py", line 14, in process_item
    if item['owner'] is None:
  File "d:\python projects\sellerinfoscraper\venv\lib\site-packages\scrapy\item.py", line 91, in __getitem__
    return self._values[key]
KeyError: 'owner'

上面写着KeyError: 'owner'

如何使用 ItemLoader 填充具有 None 值的项目字段？ 我知道我可以在不使用 ItemLoader 的情况下解决此问题，但我不想使用此功能。

Answer 1

默认情况下，scrapy 的 ItemLoader 会丢弃任何 None 字段

要解决此问题，您需要确保加载器将使用其他值，例如空字符串：""

from scrapy.loader import ItemLoader
from scrapy.loader.processors import Compose

def default_action(value):
    return value or ''

class MyLoader(ItemLoader):
    default_output_processor = Compose(default_action)

例如，它的行为如下：

>>> l = MyLoader()
>>> l.add_value('company', None)
>>> l.load_item()
{}
>>> l.add_value('company', '')
>>> l.load_item()
{'company': ['']}