python爬虫之Scrapy框架中的Item Pipeline用法
Posted 唯你如我心
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫之Scrapy框架中的Item Pipeline用法相关的知识,希望对你有一定的参考价值。
当Item在Spider中被收集之后, 就会被传递到Item Pipeline中进行处理.
每个item pipeline组件是实现了简单的方法的python类, 负责接收到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, 或者被丢弃而不再进行处理.
item pipeline的主要作用 :
1. 清理html数据
2. 验证爬取的数据
3. 去重并丢弃
4. 将爬取的结果保存到数据库中或文件中
编写自己的item pipeline :
process_item(self, item, spider)
每个item piple组件是一个独立的python类, 必须实现以process_item(self, item, spider)方法
每个item pipeline 组价都需要调用该方法, 这个方法必须返回一个具有数据的dict, 或者item对象, 或者抛出DropItem异常, 被丢弃的item将不会被之后的pipeline组价所处理
下面的方法也可以选择实现:
open_spider(self, spider)
表示当spider被开启的时候调用这个方法
close_spider(self, spider)
当spider关闭的时候这个方法被调用
from_crawler(cls, crawler)
这个和在前面说的spider用法是一样的, 可以用于获取settings配置文件中的信息, 需要注意的此方法是一个类方法, 举个栗子:
一些item pipeline的使用例子
栗子1 :
此栗子是判断item中是否包含price以及price_excludes_vat, 如果存在则调整price属性, 都让item["price"] = item["price"] * self.vat_factor, 如果不存在拟则返回DropItem
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)
栗子2 :
此栗子是将item写入到json文件中
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
栗子3 :
将item写入到MongoDB, 同时演示from_crawler用法
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(dict(item)) return item
栗子4 :
一个用于去重的过滤器, 丢弃那些已经被处理过的item, 假设item有一个唯一的id, 但是spider返回的多个item中包含了相同的id, 去重方法如下: 初始化一个集合, 每次判断id是否在集合中已经存在, 从而做到去重的功能
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
在settings配置文件中有一个ITEM_PIPELINES的配置参数 :
ITEM_PIPELINES = { \'myproject.pipelines.PricePipeline\': 300, \'myproject.pipelines.JsonWriterPipeline\': 800, }
每个pipeline后面有一个数值, 这个数值的范围是0-1000, 这个数值确定了他们的运行顺序(即优先级), 数字越小越优先执行.
以上是关于python爬虫之Scrapy框架中的Item Pipeline用法的主要内容,如果未能解决你的问题,请参考以下文章