pipeline-scrapy框架7-python

1、pipeline简介

spider爬取数据后，把数据送到pipeline(管道)。pipeline是实现了几个固定方法的类，这些方法决定提取的数据的去向。

pipeline作用

• 清理html数据
• 校验爬取的数据
• 检查重复数据并丢弃
• 存入数据库（文件或者缓存等）

2、pipeline结构

属性或方法名称	参数	描述
process_item	self,item,spider	处理数据，每个pipeline必须实现。返回类型item object或者Deferred或者DropItem异常
open_spider	self,spider	打开spider，非必须
close_spider	self,spider	关闭spider,释放资源,非必须，一般和open_spider配对使用
from_crawler	cls,crawler	类方法，提供访问其他scrapy主要核心组件的通道，同时吧自己的功能挂载到scrapy

3、校验检查数据

3.1、校验并丢弃不符合要求数据

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(f"Missing price in {item}")

校验item对象如何没有price和price_excludes_vat属性，就丢弃改数据

3.2、检查重复数据并丢弃

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

判断item对象的唯一标志id如果重复，认定该item重复，丢弃。

4、存储数据

4.1、存入文件

下面是一个以JSON格式，吧数据存入文件的实例：

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

提示：该示例是为了展示如何书写pipeline,如果想把数据以JSON格式存入文件，应该使用Feed exports。

4.2、存入数据库

下面是一个把数据存入mongodb数据库的示例：

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

关于mongodb数据的相关知识自行查阅相关文档。

5、激活启用pipeline

通过去掉settings.py中的ITEM_PIPELINES注释来开启pipeline，示例如下：

ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300,
    'myproject.pipelines.JsonWriterPipeline': 800,
}

• myproject：项目名称
• PricePipeline：在pipeline.py中定义的Pipeline类名
• 300：优先级，数字越小，优先级越高，取值范围0~1000

6、实例

以上一章案例为例，我们现在要吧构建的item永久化存入mysql，pipeline代码如下：

import pymysql


class CsdnMysqlPipeline:
    def __init__(self, host, port, db, user, password):
        self.host = host
        self.port = port
        self.db = db
        self.user = user
        self.password = password

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            host=crawler.settings.get('MYSQL_HOST', '127.0.0.1'),
            port=crawler.settings.get('MYSQL_PORT', 3306),
            db=crawler.settings.get('MYSQL_DB'),
            user=crawler.settings.get('MYSQL_USER', 'root'),
            password=crawler.settings.get('MYSQL_PASSWORD', 'root')
        )

    def open_spider(self, spider):
        self.conn = pymysql.connect(
            host=self.host,
            port=self.port,
            db=self.db,
            user=self.user,
            password=self.password
        )
        self.cur = self.conn.cursor()

    def close_spider(self, spider):
        self.cur.close()
        self.conn.close()

    def process_item(self, item, spider):
        if 'unlie' not in item.fields:
            item['unlike'] = 0
        keys = item.keys()
        values = list(item.values())
        sql = 'insert into blog({}) values ({}) '.format(
            ','.join(keys),
            ','.join(['%s'] * len(values))
        )
        # sql = 'insert into blog(title, publish, approval, unlike, `comment`, collection) values (%s, %s, %s, %s, %s, %s)'
        self.cur.execute(sql, values)
        self.conn.commit()
        print(self.cur._last_executed)
        return item

完整代码地址在文章最后,存入数据库效果图示：

7、总结

参考视频

• https://www.bilibili.com/video/BV1R7411F7JV p561~563

代码仓库：https://gitee.com/gaogzhen/python-study.git

QQ群:433529853