「Scrapy 爬虫框架」物品管道（Item Pipeline）详解

朱雀 2022-10-25 14:15 307阅读 0赞

### 文章目录 ###

*  内容介绍
 *  pipeline基础方法
 *  pipeline简单举例
 *  pipeline激活方法

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

本章带你学习基于 **Python3** 的 **Scrapy 爬虫框架** 中数据爬取过程中用于处理通过Scrapy抓取来的数据。

主要用途：

1.  清理HTML数据
2.  验证抓取去的数据(检查项目是否包含某些字段)
3.  检查副本(并删除)
4.  将Scrapy的项存储在数据库中

代码内容基于「Scrapy 爬虫框架」源码版本 2.4.0 ，更新内容会进行标记说明对应版本。

# pipeline基础方法 #

每个项目管道组件都是一个Python类

""" 1.process_item(self, item, spider)：pipeline处理定义的Items内容。 2.open_spider(self, spider)：打开Spider时调用此方法。 3.close_spider(self, spider)：关闭Spider时调用此方法。 4.from_crawler(cls, crawler)：当创建一个pipline实例的时候该方法会被调用，该方法必须返回一个pipline实例对象，一般用于获取scrapy项目的配置setting中配置的值。 """

# pipeline简单举例 #

*  **1.抓取数据用于调整price属性示例**

from itemadapter import ItemAdapter
    from scrapy.exceptions import DropItem
    class PricePipeline:
    
        vat_factor = 1.15
    
        def process_item(self, item, spider):
            adapter = ItemAdapter(item)
            if adapter.get('price'):
                if adapter.get('price_excludes_vat'):
                    adapter['price'] = adapter['price'] * self.vat_factor
                return item
            else:
                raise DropItem(f"Missing price in { item}")

*  **2.数据写入JSON文件**

import json
    
    from itemadapter import ItemAdapter
    
    class JsonWriterPipeline:
    
        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(ItemAdapter(item).asdict()) + "\n"
            self.file.write(line)
            return item

*  **3.数据写入写入MongoDB**

import pymongo
    from itemadapter import ItemAdapter
    
    class MongoPipeline:
    
        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(ItemAdapter(item).asdict())
            return item

*  **4.页面截图**

import hashlib
    from urllib.parse import quote
    
    import scrapy
    from itemadapter import ItemAdapter
    
    class ScreenshotPipeline:
        """ 每个Scrapy项目使用Splash渲染屏幕截图的管道 """
    
        SPLASH_URL = "http://localhost:8050/render.png?url={}"
    
        async def process_item(self, item, spider):
            adapter = ItemAdapter(item)
            encoded_item_url = quote(adapter["url"])
            screenshot_url = self.SPLASH_URL.format(encoded_item_url)
            request = scrapy.Request(screenshot_url)
            response = await spider.crawler.engine.download(request, spider)
    
            if response.status != 200:
                # Error happened, return item.
                return item
    
            # Save screenshot to file, filename will be hash of url.
            url = adapter["url"]
            url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
            filename = f"{ url_hash}.png"
            with open(filename, "wb") as f:
                f.write(response.body)
    
            # Store filename in item.
            adapter["screenshot_filename"] = filename
            return item

*  **5.数据重复过滤**

from itemadapter import ItemAdapter
    from scrapy.exceptions import DropItem
    
    class DuplicatesPipeline:
    
        def __init__(self):
            self.ids_seen = set()
    
        def process_item(self, item, spider):
            adapter = ItemAdapter(item)
            if adapter['id'] in self.ids_seen:
                raise DropItem(f"Duplicate item found: { item!r}")
            else:
                self.ids_seen.add(adapter['id'])
                return item

# pipeline激活方法 #

# 在settings.py中设置，否则抓取数据无法处理
    ITEM_PIPELINES = { 
        'myproject.pipelines.PricePipeline': 300,
        'myproject.pipelines.JsonWriterPipeline': 800,
    }

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605