Scrapy 简明教程
Scrapy - Item Pipeline
Description
Item Pipeline 是一种对收集到的项目进行处理的方法。当一个项目被发送到项目管道时,它会被一个爬虫程序抓取出来,然后使用几个按顺序执行的组件进行处理。
每当接收到一个项目时,就会决定采取以下两种操作之一 −
-
Keep processing the item.
-
Drop it from pipeline.
-
Stop processing the item.
项目管道通常用于以下目的 −
-
将抓取到的项目存储在数据库中。
-
如果接收到的项目是一个重复的项目,那它会将重复的项目删除。
-
它将检查该项目是否带有目标字段。
-
Clearing HTML data.
Syntax
您可以使用以下方法编写项目管道 −
process_item(self, item, spider)
上述方法包含以下参数 −
-
Item (Item 对象或字典)- 它指定要抓取的 Item。
-
spider (spider 对象)- 发送该 Item 的 spider。
你也可以使用下表中给出的各种方法-
Sr.No |
Method & Description |
Parameters |
1 |
open_spider(self, spider) 当 spider 被打开时选择它。 |
spider(spider 对象)- 它指被打开的 spider。 |
2 |
close_spider(self, spider) 当 spider 被关闭时选择它。 |
spider (spider 对象)- 它指被关闭的 spider。 |
3 |
from_crawler(cls, crawler) 借助 crawler, 该管道可以访问 Scrapy 的核心组件,如信号和设定。 |
crawler (Crawler 对象)- 它指使用此管道的 crawler。 |
Example
以下是用于不同概念的 Item 管道的范例。
Dropping Items with No Tag
在以下代码中,管道平衡了那些不包含增值税(excludes_vat 属性)的 Item 的(price)属性并忽略不带价签的 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)
Writing Items to a JSON File
以下代码将把所有 spider 抓取的所有 Item 存储到单个 items.jl 文件中,其中包含每个以 JSON 格式序列化的行里的一个 Item。 JsonWriterPipeline 类在代码中用于展示如何编写 Item 管道-
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
Writing Items to MongoDB
你可以在 Scrapy 设置中指定 MongoDB 地址和数据库名称,并且 MongoDB 集合可以以 Item 类命名。以下代码描述了如何正确使用 from_crawler() 方法来收集资源-
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
Duplicating Filters
过滤器会检查重复的 Item, 并且会删除已经处理的 Item。在以下代码中,我们为我们的 Item 已经使用一个唯一的 id, 但是 spider 返回了多个带有相同 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