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
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-
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 —
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 —
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 –
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。