当Item
在 Spider
中被收集之后,它将会被传递到 Item Pipeline
,一些组件会按照一定的顺序执行对 Item
的处理
每个 item pipeline
组件(有时称之为Item Pipeline
)是实现了简单方法的 Python 类。他们接收到Item
并通过它执行一些行为,同时也决定此Item
是否继续通过 pipeline
,或是被丢弃而不再进行处理。
以下是item pipeline
的一些典型应用:
- 清理
HTML
数据 - 验证爬取的数据(检查
item
包含某些字段) - 查重(并丢弃)
- 将爬取结果保存到数据库中
1.编写你自己的item pipeline
编写你自己的item pipeline
很简单,每个item pipeline
组件是一个独立的 Python 类,同时必须实现以下方法:
方法 | 描述 |
---|
process_item(self, item, spider) | 每个item pipeline 组件都需要调用该方法,这个方法必须返回一个Item (或任何继承类)对象, 或是抛出DropItem 异常,被丢弃的 item 将不会被之后的 pipeline 组件所处理 |
open_spider(self, spider) | 当 spider 被开启时,这个方法被调用 |
close_spider(spider) | 当 spider 被关闭时,这个方法被调用 |
from_crawler(cls, crawler) | 如果存在,则调用该类方法从Crawler 创建管道实例。它必须返回管道的新实例。crawler 对象提供对所有Scrapy 核心组件(如设置和信号)的访问;这是管道访问它们并将其功能挂钩到Scrapy中的一种方式 |
2.Item pipeline示例
验证价格,同时丢弃没有价格的 item
让我们来看一下以下这个假设的 pipeline
,它为那些不含税(price_excludes_vat
属性)的item
调整了 price
属性,同时丢弃了那些没有价格的 item:
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item['price']:
if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
将 item 写入 JSON 文件
以下 pipeline
将所有(从所有spider中)爬取到的 item
,存储到一个独立地items.jl
文件,每行包含一个序列化为JSON 格式的item
import json
class JsonWriterPipeline(object):
def __init__(self):
self.file = open('items.jl', 'wb')
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
JsonWriterPipeline
的目的只是为了介绍怎样编写 item pipeline
,如果你想要将所有爬取的 item 都保存到同一个 JSON
文件, 你需要使用 Feed exports
将item写入MongoDB
在此示例中,我们将使用pymongo
将item写入MongoDB
。在Scrapy设置中指定了MongoDB地址
和数据库名称
;MongoDB集合以项类命名。
该示例的主要目的是演示如何使用from_crawler()
方法以及如何正确清理资源。
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
Take screenshot of item
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
去重
一个用于去重的过滤器,丢弃那些已经被处理过的item
。让我们假设我们的item
有一个唯一的id
,但是我们 spider 返回的多个 item 中包含有相同的 id:
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
启用一个 Item Pipeline 组件
为了启用一个Item Pipeline
组件,你必须将它的类添加到ITEM_PIPELINES
配置,就像下面这个例子:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
数值越小优先级越高,通常将这些数字定义在 0-1000 范围内。