为什么我的 Scrapy 中的输入/输出处理器不工作？

我正在努力追随本教程 http://doc.scrapy.org/en/1.1/intro/tutorial.html.

我想要我的desc字段是标准化为单个空格且大写的单个字符串。

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

我尝试根据声明声明输入/输出处理器http://doc.scrapy.org/en/latest/topics/loaders.html#declaring-input-and-output-processors http://doc.scrapy.org/en/latest/topics/loaders.html#declaring-input-and-output-processors

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，我的输出结果仍然是这样。

{'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']}

我究竟做错了什么？

我正在使用 Python 3.5.1 和 Scrapy 1.1.0

我把我的整个代码放在这里：https://github.com/prashcr/scrapy_tutorial https://github.com/prashcr/scrapy_tutorial，以便您可以尝试并根据需要进行修改。

但是，您还可以在另一处指定要使用的输入和输出处理器：在项目字段元数据中。

我怀疑该文档具有误导性/错误（或者可能已经过时？），因为根据源代码，input_processor字段属性被读取仅在内部ItemLoader实例 https://github.com/scrapy/scrapy/blob/ebef6d7c6dd8922210db8a4a44f48fe27ee0cd16/scrapy/loader/__init__.py#L136，这意味着您无论如何都需要使用项目加载器。

您可以使用内置的并保留您的DmozItem定义如下：

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()

这样一来input_processor and output_processor将考虑项目字段参数并应用处理器。

或者您可以在内部定义处理器自定义项目加载器而不是Item class:

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()

并用它来加载蜘蛛中的项目：

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()