Skip to content
This repository has been archived by the owner on May 6, 2021. It is now read-only.

Files

Latest commit

027097f · Jul 6, 2019

History

History
223 lines (149 loc) · 7.23 KB

14.md

File metadata and controls

223 lines (149 loc) · 7.23 KB

项目管道

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

编写自己的项目管道

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: |

  • item (Item object or a dict) -- 物品被刮掉了
  • spider (Spider object) -- 刮掉物品的 Spider

| | --- | --- |

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

项目管道示例

无价格的价格验证和删除项目

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)

将项目写入JSON文件

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 .

将项目写入MongoDB

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

项目截图

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

重复筛选器

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

激活项目管道组件

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。