python爬虫之Scrapy框架中的Item Pipeline用法

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)) + "
"
        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.