极客教程Scrapy Item管道描述
Item管道是一种处理被爬取Item的方法。当一个Item被发送到Item管道时，它被一个蜘蛛搜刮，并使用几个组件进行处理，这些组件按顺序执行。
每当收到一个Item，它就会决定以下行动中的任何一个——。
- 继续处理该Item
- 从管道中删除.
- 停止处理该项目.
-
在数据库中存储爬取的Item.
- 如果收到的Item是重复的，那么它将放弃重复的Item
- 它将检查Item是否带有目标字段.
- 清除HTML数据.
语法
process_item(self, item, spider)
上述方法包含以下参数 –
- Item（Item对象或字典） – 它指定了被爬取的Item
- spider (spider object) – 爬取Item的Spider.
你可以使用下表中给出的其他方法—-。
| 编号 | 方法 | 描述 |
|---|---|---|
| 1 | open_spider( *self, spider* ) | 当蜘蛛被打开时，它被选中 spider (spider 对象) − 它指的是被打开的Spider |
| 2 | close_spider( *self, spider* ) | 当Spider被关闭时，它被选中 spider (spider 对象) − 它指的是被关闭的Spider |
| 3 | from_crawler( *cls, crawler* ) | 在爬虫的帮助下，管道可以访问核心组件，如Scrapy的信号和设置 crawler (Crawler 对象) − 它指的是使用该管道的爬虫 |
例子
以下是不同概念中使用的Item管道的例子。
删除没有Tag的Item
在下面的代码中，管道对那些不包括增值税的Item（excludes_vat属性）的（价格）属性进行平衡，并忽略那些没有价格标签的Item-
from Scrapy.exceptions import DropItem
class PricePipeline(object):
vat = 2.25
def process_item(self, item, spider):
if item['price']:
if item['excludes_vat']:
item['price'] = item['price'] * self.vat
return item
else:
raise DropItem("Missing price in %s" % item)
将Item写入JSON文件
下面的代码将把所有蜘蛛搜刮来的Item存储到一个items.jl文件中，该文件以JSON格式的序列化形式，每行包含一个Item。代码中使用了JsonWriterPipeline类来展示如何编写item pipeline —
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
将Item写入MongoDB
你可以在Scrapy设置中指定MongoDB地址和数据库名称，MongoDB集合可以用Item类来命名。下面的代码描述了如何使用from_crawler()方法来正确地收集资源 —
import pymongo
class MongoPipeline(object):
collection_name = 'Scrapy_list'
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_DB', 'lists')
)
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
重复过滤器
过滤器将检查重复的Item，它将放弃已经处理的Item。在下面的代码中，我们为我们的Item使用了一个唯一的id，但是spider返回了许多具有相同id的Item –
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("Repeated items found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
激活一个Item管道
你可以通过在ITEM_PIPELINES设置中添加它的类来激活一个Item管道组件，如以下代码所示。你可以按照类的运行顺序为其分配整数值（顺序可以是低值到高值的类），数值将在0-1000范围内。
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 100,
'myproject.pipelines.JsonWriterPipeline': 600,
}