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
序号 | 方法和描述 | 参数 |
---|---|---|
1 | **open_spider( self, spider ) **当spider被打开时,它被选中。 | spider (spider object) – 它指的是被打开的蜘蛛。 |
2 | **close_spider( self, spider ) **当spider被关闭时,它被选中。 | spider (spider object) – 它指的是被关闭的蜘蛛。 |
3 | **from_crawler( cls, crawler ) **在crawler的帮助下,管道可以访问Scrapy的核心组件,如信号和设置。 | crawler(爬虫对象) – 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,
}