Scrapy - 项目管道

说明

项目管道 是一种处理已抓取物品的方法。当项目被发送到项目管道时，它会被蜘蛛抓取并使用多个组件进行处理，这些组件会按顺序执行。

每当收到一个项目时，它都会决定执行以下任一操作 −

• 继续处理该项目。
• 将其从管道中删除。
• 停止处理该项目。

项目管道通常用于以下目的 −

• 将抓取的项目存储在数据库中。
• 如果收到的项目重复，则它将删除重复的项目。
• 它将检查该项目是否具有目标字段。
• 清除 HTML 数据。

语法

您可以使用以下方法编写项目管道−

process_item(self, item, spider)

上述方法包含以下参数 −

• Item（item 对象或字典）− 指定要抓取的项目。
• spider（spider 对象）− 抓取该项目的蜘蛛。

您可以使用下表中给出的其他方法 −

示例

以下是在不同概念中使用的项目管道的示例。

删除没有标签的项目

在下面的代码中，管道平衡了那些不包括增值税的商品的(price)属性(excludes_vat 属性)，并忽略了那些没有价格标签的商品 −

from Scrapy.exceptions import DropItem  
class PricePipeline(object): 
   vat = 2.25 

   def process_item(self, item, spider): 
      if item['price']: 
         if item['excludes_vat']: 
            item['price'] = item['price'] * self.vat 
            return item 
         else: 
            raise DropItem("Missing price in %s" % item) 

将项目写入 JSON 文件

以下代码将把所有爬虫抓取的项目存储到单个 items.jl 文件中，该文件以 JSON 格式的序列化形式每行包含一个项目。代码中使用 JsonWriterPipeline 类来展示如何编写项目管道 −

import json  

class JsonWriterPipeline(object): 
   def __init__(self): 
      self.file = open('items.jl', 'wb') 

   def process_item(self, item, spider): 
      line = json.dumps(dict(item)) + "
" 
      self.file.write(line) 
      return item

将项目写入 MongoDB

您可以在 Scrapy 设置中指定 MongoDB 地址和数据库名称，并且 MongoDB 集合可以以项目类命名。以下代码描述了如何使用 from_crawler() 方法正确收集资源 −

import pymongo  

class MongoPipeline(object):  
   collection_name = 'Scrapy_list' 

   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_DB', 'lists') 
      ) 
  
   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(dict(item)) 
      return item

重复过滤器

过滤器将检查重复的项目，并删除已处理的项目。在下面的代码中，我们为项目使用了唯一的 ID，但蜘蛛会返回许多具有相同 ID 的项目 −

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("Repeated items found: %s" % item) 
      else: 
         self.ids_seen.add(item['id']) 
         return item

激活项目管道

您可以通过将其类添加到 ITEM_PIPELINES 设置来激活项目管道组件，如以下代码所示。您可以按照运行的顺序为类分配整数值（顺序可以是值较低的类到值较高的类），值将在 0-1000 范围内。

ITEM_PIPELINES = {
   'myproject.pipelines.PricePipeline': 100,
   'myproject.pipelines.JsonWriterPipeline': 600,
}