译者:OSGeo 中国
在一个项目被 Spider 抓取之后,它被发送到项目管道,该管道通过几个按顺序执行的组件来处理它。
每个项管道组件(有时称为“项管道”)都是一个实现简单方法的Python类。它们接收一个项目并对其执行操作,还决定该项目是否应继续通过管道,或者是否应删除并不再处理。
项目管道的典型用途有:
- 清理HTML数据
- 验证抓取的数据(检查项目是否包含某些字段)
- 检查重复项(并删除它们)
- 将刮下的项目存储在数据库中
每个item pipeline组件都是一个python类,必须实现以下方法:
process_item(self, item, spider)
对每个项管道组件调用此方法。 process_item()
必须:返回包含数据的dict,返回 Item
(或任何后代类)对象,返回 Twisted Deferred or raise DropItem
例外。删除的项不再由其他管道组件处理。
| 参数: |
| | --- | --- |
此外,它们还可以实现以下方法:
open_spider(self, spider)
当spider打开时调用此方法。
参数: | spider (Spider object) -- 打开的 Spider |
---|
close_spider(self, spider)
当spider关闭时调用此方法。
参数: | spider (Spider object) -- 关闭的 Spider |
---|
from_crawler(cls, crawler)
如果存在,则调用此ClassMethod从 Crawler
. 它必须返回管道的新实例。爬虫对象提供对所有零碎核心组件(如设置和信号)的访问;它是管道访问它们并将其功能连接到零碎的一种方式。
参数: | crawler (Crawler object) -- 使用此管道的爬虫程序 |
---|
让我们看看下面的假设管道,它调整了 price
不包括增值税的项目的属性( price_excludes_vat
属性),并删除不包含价格的项目:
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item.get('price'):
if item.get('price_excludes_vat'):
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
下面的管道将所有刮掉的项目(从所有 Spider )存储到一个单独的管道中 items.jl
文件,每行包含一个以JSON格式序列化的项:
import json
class JsonWriterPipeline(object):
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
注解
jsonWriterPipeline的目的只是介绍如何编写项管道。如果您真的想将所有的抓取项存储到JSON文件中,那么应该使用 Feed exports .
在本例中,我们将使用pymongo_uu将项目写入mongodb_u。在Scrapy设置中指定MongoDB地址和数据库名称;MongoDB集合以item类命名。
这个例子的要点是演示如何使用 from_crawler()
方法和如何正确清理资源。::
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_one(dict(item))
return item
这个例子演示了如何返回延迟的 process_item()
方法。它使用splash_u呈现项目url的屏幕截图。管道向本地运行的splash_uuu实例发出请求。在下载请求并触发延迟回调之后,它将项目保存到文件中,并将文件名添加到项目中。
import scrapy
import hashlib
from urllib.parse import quote
class ScreenshotPipeline(object):
"""Pipeline that uses Splash to render screenshot of
every Scrapy item."""
SPLASH_URL = "http://localhost:8050/render.png?url={}"
def process_item(self, item, spider):
encoded_item_url = quote(item["url"])
screenshot_url = self.SPLASH_URL.format(encoded_item_url)
request = scrapy.Request(screenshot_url)
dfd = spider.crawler.engine.download(request, spider)
dfd.addBoth(self.return_item, item)
return dfd
def return_item(self, response, item):
if response.status != 200:
# Error happened, return item.
return item
# Save screenshot to file, filename will be hash of url.
url = item["url"]
url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
filename = "{}.png".format(url_hash)
with open(filename, "wb") as f:
f.write(response.body)
# Store filename in item.
item["screenshot_filename"] = filename
return item
查找重复项并删除已处理的项的筛选器。假设我们的项目有一个唯一的ID,但是我们的spider返回具有相同ID的多个项目:
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("Duplicate item found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
若要激活项管道组件,必须将其类添加到 ITEM_PIPELINES
设置,如以下示例中所示:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
在此设置中分配给类的整数值决定了它们的运行顺序:项从低值类传递到高值类。习惯上把这些数字定义在0-1000范围内。