本文为译文,原文见地址:https://docs.scrapy.org/en/latest/topics/item-pipeline.html
数据项管道(Item Pipeline)
在数据项被爬虫爬取到之后,这个数据项将被发送给数据项管道(Item Pipeline),数据项管道将通过一些按照顺序执行的组件来处理这个数据项。
每一个数据项管道组件(有时候称为数据项管道)都是一个Python类,这个类实现了一个简单函数。它们接收一个数据项并且对这个数据项执行一个动作,同时也需要决定,这个数据项是应该继续通过管道处理还是被丢弃,或者是不再处理。
数据项管道的典型用途:
- 清理HTML数据
- 验证爬取到的数据(检查数据项是否包含指定的字段)
- 检查是否有重复(以及重复的话是否丢弃)
- 存储爬取到的数据项到数据库中
编写你自己的数据项管道
每一个数据项管道组件都是一个Python类,必须实现下面的函数:
process_item(self, item, spider)
对每个数据项管道组件调用此函数。process_item()必须满足下列之一:返回一个字典,返回一个Item(或者任何Item的派生类)对象,返回一个Twisted Deferred或者抛出一个DropItem异常。被丢弃的数据项将不再被其他管道组件处理。
参数:
- item(Item对象或者字典)- 爬取到的数据项
- spider(Spider对象)- 爬取到数据项的爬虫
另外,数据项管道组件也可以实现下面的函数:
open_spider(self, spider)
当爬虫被打开的时候调用这个函数。
参数:
- spider(Spider对象)- 已经被打开的爬虫
close_spider(self, spider)
当爬虫被关闭的时候调用这个函数。
参数:
- spider(Spider对象)- 已经被关闭的爬虫
from_crawler(cls, crawler)
如果存在,则调用这个classmethod从Crawler创建一个管道实例。它必须返回一个新的管道实例。Crawler对象提供了对所有Scrapy核心组件的访问,比如设置项和信号;它是管道访问它们并将其功能与Scrapy挂钩的一种方法。
参数:
- crawler(Crawler对象)- 使用这个管道的crawler对象。
数据项管道示例
价格验证以及丢弃没有价格的数据项
让我们看一下下面假设的管道,它为不包含增值税(price_excludes_vat属性)的数据项调整price属性,并丢弃这些不包含price的数据项:
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item['price']:
if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem('Missing price in $s' % item)
将数据项写入JSON文件
下面的管道存储所有(从所有爬虫)爬取到的数据项到单独的文件items.jl中,每行都是一个JSON格式化的数据项:
import json
class JsonWriterPipeline(object):
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spdier):
line = json.dumps(dict(item)) + '\n'
self.file.write(line)
return item
注意:JsonWritePipeline的目的仅是为了介绍如何写数据项管道到文件中。如果你真的想要存储所有爬取到的数据项到一个JSON文件中,你应该使用Feed exports。
将数据项写入MongoDB
在这个示例中,我们使用pymongo把数据项写入到MongoDB中。MongoDB的地址和数据库名都将在Scrapy设置项中指定;MongoDB集合在数据项类后被命名。
这个示例的关键点在于如何使用from_crawler()函数以及如何正确地清理资源:
import pymongo
class MongoPipeline(object):
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(dict(item))
return item
获取数据项的快照
下面示例演示了如何从process_item()函数返回延迟的值。它使用了Splash来渲染数据项URL的快照。管道向本地运行的Splash实例发出请求。在这个请求被下载和延迟触发之后,它将数据项保存到文件中,并将文件名添加到数据项中。
import scrapy
import hashlib
from urllib.parse import quote
class ScreenshotPipeline(object):
""" 管道使用Splash来渲染每一个Scrapy数据项的快照 """
SPLASH_URL = "http://localhost:8050/render.png?url={}"
def process_item(self, item, spider):
encoded_item_url = quote(item['url'])
screenshot_url = self.SPLASH_URL.format(encoded_item_url)
request = scrapy.Request(screenshot_url)
dfd = spider.scrawler.engine.download(request, spider)
dfd.addBoth(self.return_item, item)
return dfd
def return_item(self, response, item):
if response.status != 200:
# 有错误,直接返回item
return item
# 存储快照到文件中,文件名是url的hash值
url = item['url]
url_hash = hashlib.md5(url.encode('utf-8')).hexdigest()
filename = "{}.png".format(url_hash)
with open(filename, 'wb') as f:
f.write(response.body)
# 存储文件名到数据项中
item['screenshot_filename'] = filename
return item
过滤重复项
筛选器用于查找重复的数据项,并且丢弃这些已经被处理过的数据项。假设我们的数据项有一个惟一值的字段id,但是我们的爬虫返回了拥有同样id值的重复数据项:
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("Duplicate item found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
激活数据项管道组件
为了激活数据项管道组件,你必须添加它的类到ITEM_PIPELINES设置中,就像下面的示例一样:
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
配置中赋给类的整数值表示管道的返回顺序:数据项从低数值的管道传到高数值的管道。这些值一般由使用者自己决定,并且值范围在0-1000之间。