Item Pipeline(项目管道)
在一个项目被spider抓取后，它被发送到Item Pipeline，Item Pipeline通过顺序执行的几个组件处理它，决定该项目是否应该继续通过Pipeline或被丢弃并且不再处理。
Item Pipeline的典型用途是：
- 清理HTML数据
- 验证已删除的数据（检查项目是否包含某些字段）
- 检查重复项（并删除它们）
- 将已删除的项目存储在数据库中
编写自己的项目管道
每个项管道组件都是一个必须实现以下方法的Python类：
process_item(self, item, spider)
为每个Item Pipeline组件调用此方法。process_item()必须：返回带数据的dict，返回Item（或任何后代类）对象，返回Twisted Deferred或引发DropItem异常。 丢弃的项目不再由其他管道组件处理。
open_spider(self, spider) 打开spider时会调用此方法。
close_spider(self, spider) 当spider关闭时调用此方法。
from_crawler(cls, crawler)
如果存在，则调用此类方法以从a创建管道实例Crawler。它必须返回管道的新实例。Crawler对象提供对所有Scrapy核心组件的访问，如设置和信号; 它是管道访问它们并将其功能挂钩到Scrapy的一种方式。
激活Item Pipeline组件
要激活Item Pipeline组件，必须将settings.py中的ITEM_PIPELINES设置打开，如下例所示：
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
此设置中为类分配的整数值决定了它们运行的顺序：较低值优先级高。习惯上在0-1000范围内定义这些数字。
项目管道示例
1、 价格验证和丢弃物品没有价格
调整 price那些不包含增值税（price_excludes_vat属性）的项目的属性，并删除那些不包含价格的项目：
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item.get('price'):
if item.get('price_excludes_vat'):
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
2、 将项目写入JSON文件
以下管道将所有已删除的项目（来自所有蜘蛛）存储到一个items.jl文件中，每行包含一个以JSON格式序列化的项目：
import json
class JsonWriterPipeline(object):
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
3、将项目写入MongoDB
在这个例子中，我们将使用pymongo将项目写入MongoDB。MongoDB地址和数据库名称在Scrapy设置中指定；MongoDB集合以item类命名。
这个例子的要点是展示如何使用from_crawler() 方法以及如何正确地清理资源：
import pymongo
class MongoPipeline(object):
collection_name = 'scrapy_items'
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
self.db[self.collection_name].insert_one(dict(item))
return item
4、截取项目的截图
此示例演示如何从process_item()方法返回Deferred。它使用Splash渲染项目URL的屏幕截图。Pipeline向本地运行的Splash实例发出请求。下载请求并延迟回调激活后，它会将项目保存到文件并将文件名添加到项目中。
import scrapy
import hashlib
from urllib.parse import quote
class ScreenshotPipeline(object):
"""Pipeline that uses Splash to render screenshot of
every Scrapy item."""
SPLASH_URL = "http://localhost:8050/render.png?url={}"
def process_item(self, item, spider):
encoded_item_url = quote(item["url"])
screenshot_url = self.SPLASH_URL.format(encoded_item_url)
request = scrapy.Request(screenshot_url)
dfd = spider.crawler.engine.download(request, spider)
dfd.addBoth(self.return_item, item)
return dfd
def return_item(self, response, item):
if response.status != 200:
# Error happened, return item.
return item
# Save screenshot to file, filename will be hash of url.
url = item["url"]
url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
filename = "{}.png".format(url_hash)
with open(filename, "wb") as f:
f.write(response.body)
# Store filename in item.
item["screenshot_filename"] = filename
return item
5、重复过滤
一个过滤器，用于查找重复项目，并删除已处理的项目。假设我们的项目具有唯一ID，但我们的spider会返回具有相同ID的多个项目：
from scrapy.exceptions import DropItem
class DuplicatesPipeline(object):
def __init__(self):
self.ids_seen = set()
def process_item(self, item, spider):
if item['id'] in self.ids_seen:
raise DropItem("Duplicate item found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
网友评论