scrapy中的Pipeline
Posted loaderman
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scrapy中的Pipeline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,它将会被传递到Item Pipeline,这些Item Pipeline组件按定义的顺序处理Item。
每个Item Pipeline都是实现了简单方法的Python类,比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用:
- 验证爬取的数据(检查item包含某些字段,比如说name字段)
- 查重(并丢弃)
- 将爬取结果保存到文件或者数据库中
编写item pipeline
编写item pipeline很简单,item pipiline组件是一个独立的Python类,其中process_item()方法必须实现:
import something class SomethingPipeline(object): def __init__(self): # 可选实现,做参数初始化等 # doing something def process_item(self, item, spider): # item (Item 对象) – 被爬取的item # spider (Spider 对象) – 爬取该item的spider # 这个方法必须实现,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 对象,被丢弃的item将不会被之后的pipeline组件所处理。 return item def open_spider(self, spider): # spider (Spider 对象) – 被开启的spider # 可选实现,当spider被开启时,这个方法被调用。 def close_spider(self, spider): # spider (Spider 对象) – 被关闭的spider # 可选实现,当spider被关闭时,这个方法被调用
tem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.json 文件,每行包含一个序列化为‘JSON‘格式的‘item‘:
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html import json class LoadermanPipeline(object): def __init__(self): self.file = open(‘loaderman.json‘, ‘w‘) # self.file.write("[") def process_item(self, item, spider): jsontext = json.dumps(dict(item), ensure_ascii=False) + " , " self.file.write(jsontext.encode("utf-8")) return item def close_spider(self, spider): # self.file.write("]") self.file.close()
为了启用Item Pipeline组件,必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置,如下:
# Configure item pipelines # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html #ITEM_PIPELINES = { # ‘scrapyDemo.pipelines.ScrapydemoPipeline‘: 300, #} ITEM_PIPELINES = { ‘scrapyDemo.pipelines.LoadermanPipeline‘: 300, }
分配给每个类的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内(0-1000随意设置,数值越低,组件的优先级越高)
重新启动爬虫
将LoadermanSpider中的parse()方法修改代码如下,
# -*- coding: utf-8 -*- import scrapy from scrapyDemo.items import LoadermanItem class LoadermanSpider(scrapy.Spider): name = ‘loaderman‘ allowed_domains = [‘http://www.cnblogs.com‘] start_urls = [‘http://www.cnblogs.com/loaderman‘] def parse(self, response): # filename = "loaderman.html" # open(filename, ‘w‘).write(response.body) xpathList = response.xpath("//div[@class=‘post‘]") # items= [] for each in xpathList: # 将我们得到的数据封装到一个 `LoadermanItem` 对象 item = LoadermanItem() # extract()方法返回的都是unicode字符串 title = each.xpath(".//h2/a[@class=‘postTitle2‘]/text()").extract() detailUrl = each.xpath(".//a[@class=‘postTitle2‘]/@href").extract() content = each.xpath(".//div[@class=‘c_b_p_desc‘]/text()").extract() date = each.xpath(".//p[@class=‘postfoot‘]/text()").extract() # xpath返回的是包含一个元素的列表 item[‘title‘] = title[0] item[‘detailUrl‘] = detailUrl[0] item[‘content‘] = content[0] item[‘date‘] = date[0] # items.append(item) # #将获取的数据交给pipelines yield items # 返回数据,不经过pipeline # return items
然后执行下面的命令:
scrapy crawl loaderman
查看当前目录是否生成loaderman
.json
以上是关于scrapy中的Pipeline的主要内容,如果未能解决你的问题,请参考以下文章
python爬虫之Scrapy框架中的Item Pipeline用法