2021SC@SDUSC
此外,pipeline还支持我们将项目写入 JSON 文件,我这里写一个简单的demo:
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
上面的那个管道将所有抓取的项目(来自所有爬虫)存储到单个 items.jl 文件中,每行包含一个以 JSON 格式序列化的项目。
小note:我上面写的小demo 的目的只是探讨如何编写项目管道。 如果实际情况下真的想将所有抓取的项目存储到 JSON 文件中,事实上我们应该使用 Feed 导出。
将项目写入 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
在本例中,我用 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。
当然了,参考官方文档的说明,重点是探索如何使用 from_crawler() 方法以及如何正确清理资源。
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,以呈现项目 URL 的屏幕截图。 下载请求响应后,项目管道将屏幕截图保存到文件中,并将文件名添加到项目中。
import hashlib
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
重复过滤器:
查找重复项并删除那些已处理的项的过滤器。 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"Duplicate item found: {item!r}")
else:
self.ids_seen.add(adapter['id'])
return item
最后:激活项目管道组件
要激活 Item Pipeline 组件,须将其类添加到 ITEM_PIPELINES 设置中:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}