「Scrapy 爬虫框架」管道（Pipeline）详解

深藏阁楼爱情的钟 2022-10-29 07:49 514阅读 0赞

### 文章目录 ###

*  内容介绍
 *  pipeline类参数解释
 *  功能示例
 *   *  激活使用（必须打开）
     *  数据写入JSON文件
     *  数据写入MongoDB
     *  抓取数据截图
     *  重复数据过滤

# 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** 中数据爬取过程中如何处理抓取数据使用。

其中包含：

1.  清理HTML数据
2.  验证抓取的数据（检查项目是否包含某些字段）
3.  检查重复项（并将其删除）
4.  将Scrapy中的物品存储在数据库中

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类参数解释 #

class SomethingPipeline(object):
        def __init__(self):    
            # 可选实现，做参数初始化等
            # 写入你的业务逻辑
    
        def process_item(self, item, spider):
            # item (Item 对象) – 爬取数据的item
            # spider (Spider 对象) – 爬取该item的spider
            # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
            # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
            return item
    
        def open_spider(self, spider):
            # spider (Spider 对象) – 被开启的spider
            # 可选实现，spider开启时，这个方法被调用。
    
        def close_spider(self, spider):
            # spider (Spider 对象) – 被关闭的spider
            # 可选实现，spider关闭时，这个方法被调用

# 功能示例 #

## 激活使用（必须打开） ##

在 settings.py 中释放代码69行 ITEM\_PIPELINES 否则数据库无法写入

# 这里把这3行注释开，无需修改。
    DOWNLOADER_MIDDLEWARES = { 
        '你的项目名称.middlewares.WwwCjnCnDownloaderMiddleware': 543,
    }

## 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

## 数据写入MongoDB ##

import pymongo
    from scrapy.utils.project import get_project_settings
    settings = get_project_settings()
    
    class WwwCjnCnPipeline(object):
        # class中全部替换
        def __init__(self):
            host = settings["MONGODB_HOST"]
            port = settings["MONGODB_PORT"]
            dbname = settings["MONGODB_DBNAME"]
            sheetname = settings["MONGODB_SHEETNAME"]
            username = settings["MONGODB_USER"]
            password = settings["MONGODB_PASSWORD"]
            # 创建MONGODB数据库链接
            client = pymongo.MongoClient(host=host, port=port, username=username, password=password)
            # 指定数据库
            mydb = client[dbname]
            # 存放数据的数据库表名
            self.post = mydb[sheetname]
    
        def process_item(self, item, spider):
            data = dict(item)
            self.post.insert(data)
            return item

## 抓取数据截图 ##

from urllib.parse import quote
    
    import scrapy
    from itemadapter import ItemAdapter
    
    class ScreenshotPipeline:
        """Pipeline that uses Splash to render screenshot of every Scrapy item."""
    
        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

## 重复数据过滤 ##

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

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