项目管道¶
当一个项目被蜘蛛抓取后，它会被发送到项目管道，通过几个依次执行的组件进行处理。
每个项目管道组件（有时简称为“项目管道”）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，同时决定该项目是否应继续通过管道或被丢弃并不再处理。
项目管道的典型用途是：
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）
将抓取的项目存储在数据库中
编写您自己的项目管道¶
每个项目管道组件都是一个Python类，必须实现以下方法：
- process_item(self, item, spider)¶
此方法为每个项目管道组件调用。
item 是一个 item 对象，请参阅 支持所有项目类型。
process_item()必须：返回一个 项目对象， 返回一个Deferred或者抛出一个DropItem异常。丢弃的项目不再由后续管道组件处理。
- Parameters:
item (item object) – 抓取的项目
spider (
Spider对象) – 抓取该项目的爬虫
此外，他们还可以实现以下方法：
项目管道示例¶
价格验证和删除没有价格的物品¶
让我们看一下以下假设的管道，该管道调整那些不包括增值税（price_excludes_vat 属性）的项目的 price 属性，并删除那些不包含价格的项目：
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("Missing price")
将项目写入JSON行文件¶
以下管道将所有抓取的项目（来自所有蜘蛛）存储到一个单一的 items.jsonl 文件中，每行包含一个以 JSON 格式序列化的项目：
import json
from itemadapter import ItemAdapter
class JsonWriterPipeline:
def open_spider(self, spider):
self.file = open("items.jsonl", "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
注意
JsonWriterPipeline 的目的只是为了介绍如何编写项目管道。如果你真的想将所有抓取的项目存储到一个 JSON 文件中，你应该使用 Feed exports。
将项目写入MongoDB¶
在这个例子中，我们将使用pymongo将项目写入MongoDB。 MongoDB地址和数据库名称在Scrapy设置中指定； MongoDB集合以项目类命名。
这个示例的主要目的是展示如何使用from_crawler()方法以及如何正确清理资源。
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
拍摄项目的截图¶
这个例子演示了如何在process_item()方法中使用coroutine syntax。
此项目管道向本地运行的Splash实例发出请求，以渲染项目URL的截图。下载请求响应后，项目管道将截图保存到文件并将文件名添加到项目中。
import hashlib
from pathlib import Path
from urllib.parse import quote
import scrapy
from itemadapter import ItemAdapter
from scrapy.http.request import NO_CALLBACK
from scrapy.utils.defer import maybe_deferred_to_future
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, callback=NO_CALLBACK)
response = await maybe_deferred_to_future(
spider.crawler.engine.download(request)
)
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"
Path(filename).write_bytes(response.body)
# Store filename in item.
adapter["screenshot_filename"] = filename
return item
重复项过滤器¶
一个用于查找重复项并丢弃已处理项的过滤器。假设我们的项目有一个唯一的ID，但我们的爬虫返回了多个具有相同ID的项目：
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"Item ID already seen: {adapter['id']}")
else:
self.ids_seen.add(adapter["id"])
return item
激活一个项目管道组件¶
要激活一个项目管道组件，您必须将其类添加到
ITEM_PIPELINES 设置中，如下例所示：
ITEM_PIPELINES = {
"myproject.pipelines.PricePipeline": 300,
"myproject.pipelines.JsonWriterPipeline": 800,
}
在此设置中，您为类分配的整数值决定了它们的运行顺序：项目从较低值的类到较高值的类依次进行。通常将这些数字定义在0-1000范围内。