python爬蟲之Scrapy框架中的Item Pipeline用法
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