Scrapy – 项目管道

描述

Item Pipeline 是一种处理被搜刮项目的方法。当一个项目被发送到Item Pipeline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。

每当收到一个项目时，它就会决定以下行动中的任何一个 —

• 继续处理该项目。
• 从管道中删除它。
• 停止处理该项目。

项目管道通常用于以下目的

• 在数据库中存储搜刮的项目。
• 如果收到的项目是重复的，那么它将放弃这个重复的项目。
• 它将检查该项目是否带有目标字段。
• 清除HTML数据。

语法

你可以使用以下方法来编写项目管道

process_item(self, item, spider) 

上述方法包含以下参数 –

• Item (item object or dictionary) – 它指定了被搜刮的项目。
• spider (spider object) – 铲除该项目的蜘蛛。

你可以使用下表中给出的其他方法

例子

以下是不同概念中使用的项目管道的例子。

丢弃没有标签的项目

在下面的代码中，管道会平衡那些不包括增值税 （excludes_vat属性） 的项目的 （价格） 属性，并忽略那些没有价格标签的项目 –

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) 

将项目写入一个JSON文件

下面的代码将把所有蜘蛛搜刮来的项目存储到一个 items.jl 文件中，该文件以JSON格式的序列化形式每行包含一个项目。The JsonWriterPipeline class is used in the code to show how to write 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

将项目写到MongoDB

你可以在Scrapy设置中指定MongoDB地址和数据库名称，MongoDB集合可以用项目类来命名。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

重复的过滤器

过滤器将检查重复的项目，它将放弃已经处理的项目。在下面的代码中，我们为我们的项目使用了一个唯一的id，但spider返回了许多具有相同id的项目 –

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

激活一个项目管线

你可以通过在 ITEM_PIPELINES 设置中添加它的类来激活一个项目管道组件，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,
}