當Item在Spider中被收集之後, 就會被傳遞到Item Pipeline中進行處理.

每個item pipeline組件是實現了簡單的方法的python類, 負責接收到item並通過它執行一些行為, 同時也決定此item是否繼續通過pipeline, 或者被丟棄而不再進行處理.

item pipeline的主要作用 :

　　1. 清理html數據

　　2. 驗證爬取的數據

　　3. 去重並丟棄

　　4. 將爬取的結果保存到數據庫中或文件中

編寫自己的item pipeline :

　　process_item(self, item, spider)

　　每個item piple組件是一個獨立的python類, 必須實現以process_item(self, item, spider)方法

　　每個item pipeline 組價都需要調用該方法, 這個方法必須返回一個具有數據的dict, 或者item對象, 或者拋出DropItem異常, 被丟棄的item將不會被之後的pipeline組價所處理

　　下面的方法也可以選擇實現:

　　　　open_spider(self, spider)

　　　　表示當spider被開啟的時候調用這個方法

　　　　close_spider(self, spider)

　　　　當spider關閉的時候這個方法被調用

　　　　from_crawler(cls, crawler)

　　　　這個和在前面說的spider用法是一樣的, 可以用於獲取settings配置文件中的信息, 需要註意的此方法是一個類方法, 舉個栗子:

一些item pipeline的使用例子

栗子1 :

　　此栗子是判斷item中是否包含price以及price_excludes_vat, 如果存在則調整price屬性, 都讓item["price"] = item["price"] * self.vat_factor, 如果不存在擬則返回DropItem

from scrapy.exceptions import DropItem

class PricePipeline(object):

    vat_factor = 1.15

    def process_item(self, item, spider):
        if item[‘price‘]:
            if item[‘price_excludes_vat‘]:
                item[‘price‘] = item[‘price‘] * self.vat_factor
            return item
        else:
            raise DropItem("Missing price in %s" % item)

栗子2 :

　　此栗子是將item寫入到json文件中

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

栗子3 :

　　將item寫入到MongoDB, 同時演示from_crawler用法

import pymongo

class MongoPipeline(object):

    collection_name = ‘scrapy_items‘

    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_DATABASE‘, ‘items‘)
        )

    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

栗子4 :

　　一個用於去重的過濾器, 丟棄那些已經被處理過的item, 假設item有一個唯一的id, 但是spider返回的多個item中包含了相同的id, 去重方法如下: 初始化一個集合, 每次判斷id是否在集合中已經存在, 從而做到去重的功能

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("Duplicate item found: %s" % item)
        else:
            self.ids_seen.add(item[‘id‘])
            return item

啟用一個item pipeline組件

在settings配置文件中有一個ITEM_PIPELINES的配置參數 :

ITEM_PIPELINES = {
    ‘myproject.pipelines.PricePipeline‘: 300,
    ‘myproject.pipelines.JsonWriterPipeline‘: 800,
}

每個pipeline後面有一個數值, 這個數值的範圍是0-1000, 這個數值確定了他們的運行順序(即優先級), 數字越小越優先執行.

python爬蟲之Scrapy框架中的Item Pipeline用法