pythonpipeline框架_Python之爬虫（十八）Scrapy框架中ItemPipeline用法

当Item 在Spider中被收集之后&＃xff0c;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&＃xff0c;负责接收到item并通过它执行一些行为&＃xff0c;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&＃xff1a;

清理html数据

验证爬取的数据

去重并丢弃

讲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pyhton类&＃xff0c;必须实现以process_item(self,item,spider)方法

每个item pipeline组件都需要调用该方法&＃xff0c;这个方法必须返回一个具有数据的dict,或者item对象&＃xff0c;或者抛出DropItem异常&＃xff0c;被丢弃的item将不会被之后的pipeline组件所处理

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挂去年比时候这个方法被调用

from_crawler(cls,crawler)

这个和我们在前面说spider的时候的用法是一样的&＃xff0c;可以用于获取settings配置文件中的信息&＃xff0c;需要注意的这个是一个类方法&＃xff0c;用法例子如下&＃xff1a;

一些item pipeline的使用例子&＃xff08;官网说明&＃xff09;

例子1

这个例子实现的是判断item中是否包含price以及price_excludes_vat&＃xff0c;如果存在则调整了price属性&＃xff0c;都让item[&＃39;price&＃39;] &＃61; item[&＃39;price&＃39;] * self.vat_factor&＃xff0c;如果不存在则返回DropItem

from scrapy.exceptions import DropItem

class PricePipeline(object):

vat_factor &＃61; 1.15

def process_item(self, item, spider):

if item[&＃39;price&＃39;]:

if item[&＃39;price_excludes_vat&＃39;]:

item[&＃39;price&＃39;] &＃61; item[&＃39;price&＃39;] * self.vat_factor

return item

else:

raise DropItem("Missing price in %s" % item)

例子2

这个例子是将item写入到json文件中

import json

class JsonWriterPipeline(object):

def __init__(self):

self.file &＃61; open(&＃39;items.jl&＃39;, &＃39;wb&＃39;)

def process_item(self, item, spider):

line &＃61; json.dumps(dict(item)) &＃43; "\n"

self.file.write(line)

return item

例子3

将item写入到MongoDB&＃xff0c;同时这里演示了from_crawler的用法

import pymongo

class MongoPipeline(object):

collection_name &＃61; &＃39;scrapy_items&＃39;

def __init__(self, mongo_uri, mongo_db):

self.mongo_uri &＃61; mongo_uri

self.mongo_db &＃61; mongo_db

&＃64;classmethod

def from_crawler(cls, crawler):

return cls(

mongo_uri&＃61;crawler.settings.get(&＃39;MONGO_URI&＃39;),

mongo_db&＃61;crawler.settings.get(&＃39;MONGO_DATABASE&＃39;, &＃39;items&＃39;)

)

def open_spider(self, spider):

self.client &＃61; pymongo.MongoClient(self.mongo_uri)

self.db &＃61; 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

例子4&＃xff1a;去重

一个用于去重的过滤器&＃xff0c;丢弃那些已经被处理过的item,假设item有一个唯一的id&＃xff0c;但是我们spider返回的多个item中包含了相同的id,去重方法如下&＃xff1a;这里初始化了一个集合&＃xff0c;每次判断id是否在集合中已经存在&＃xff0c;从而做到去重的功能

from scrapy.exceptions import DropItem

class DuplicatesPipeline(object):

def __init__(self):

self.ids_seen &＃61; set()

def process_item(self, item, spider):

if item[&＃39;id&＃39;] in self.ids_seen:

raise DropItem("Duplicate item found: %s" % item)

else:

self.ids_seen.add(item[&＃39;id&＃39;])

return item

启用一个item Pipeline组件

在settings配置文件中y9ou一个ITEM_PIPELINES的配置参数&＃xff0c;例子如下&＃xff1a;

ITEM_PIPELINES &＃61; {

&＃39;myproject.pipelines.PricePipeline&＃39;: 300,

&＃39;myproject.pipelines.JsonWriterPipeline&＃39;: 800,

}

每个pipeline后面有一个数值&＃xff0c;这个数组的范围是0-1000&＃xff0c;这个数值确定了他们的运行顺序&＃xff0c;数字越小越优先