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

爬虫框架Scrapy之Item Pipeline

爬虫框架之Scrapy

Python Scrapy爬虫框架之初次使用

python爬虫入门Scrapy框架之数据库保存

scrapy框架之items项目

Python爬虫从入门到放弃之 Scrapy框架的架构和原理