Item管道(Item Pipeline)的介绍
上篇博客已学习了选择器的应用,可是爬取到了结果该怎么处理呢?本节博客主要介绍Scrapy框架的另一部分——Item管道,用于处理爬取到的数据
管道是什么
- 主要负责处理有蜘蛛从网页中抽取的Item,主要任务是清洗、验证和存储数据。
- 当页面被蜘蛛解析后,将被发送到Item管道,并经过几个特定的次序处理数据。
- 每个Item管道的组件都是有一个简单的方法组成的Python类。
- 它们获取了Item并执行它们的方法,同时还需要确定是否需要在Item管道中继续执行下一步或是直接丢弃掉不处理。
管道的作用
- 清理HTML数据
- 验证抓取的数据(检查项目是否包含特定字段)
- 检查重复(并删除)
考虑到性能的原因,去重最好在链接中去重,或者利用数据库主键的唯一性去重 - 将刮取的项目存储在数据库中
Item管道主要函数
-
process_item(self, item, spider) —— 必须实现(也是用的最多的方法)
每个 Item Pipeline 组件都需要调用该方法,这个方法必须返回一个 Item (或任何继承类)对象, 或是抛出 DropItem 异常,被丢弃的 item 将不会被之后的 pipeline 组件所处理
需要传入的参数为:
- item (Item 对象) : 被爬取的 item
- spider (Spider 对象) : 爬取该 item 的 spider
该方法会被每一个 item pipeline 组件所调用,process_item 必须返回以下其中的任意一个对象:
- 一个 dict
- 一个 Item 对象或者它的子类对象
- 一个 Twisted Deferred 对象
- 一个 DropItem exception;如果返回此异常,则该 item 将不会被后续的 item pipeline 所继续访问
注意:该方法是Item Pipeline必须实现的方法,其它三个方法(open_spider/close_spider/from_crawler)是可选的方法
举例说明1
以下假设的管道,它调整 price那些不包括增值税(price_excludes_vat属性)的项目的价格,并删除那些不包含价格的项目from scrapy.exceptions import DropItem class PricePipeline(object): vat_factor = 1.15 def process_item(self, item, spider): if item['price']: #是否有价格 if item['price_excludes_vat']: #如果价格不包括增值税,则把价格乘上一个增值税系数 item['price'] = item['price'] * self.vat_factor return item else: #如果没有价格,则抛弃这个item raise DropItem("Missing price in %s" % item)
举例说明2
此例主要是用于查找重复Item并删除已处理的Item的过滤器。假设我们的Item具有唯一的ID,但是我们的Spider会返回具有相同id的多个Itemfrom scrapy.exceptions import DropItem class DuplicatesPipeline(object): def __init__(self): self.ids_seen = set() #初始化中,创建一个空集合 def process_item(self, item, spider): #查看id是否在ids_seen中,如果在,就抛弃该Item,如果不在就添加到ids_seen中,下一次其它Item有相同的id就抛弃那个Item if item['id'] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else: self.ids_seen.add(item['id']) return item #记住一定要返回Item
-
open_spider(self, spider) —— 非必需,为爬虫启动的时候调用
当 spider 被开启时,这个方法被调用。可以实现在爬虫开启时需要进行的操作,比如说打开一个待写入的文件,或者连接数据库等
需要传入的参数:
spider (Spider 对象) : 被开启的 spider
-
close_spider(self, spider) —— 非必需, 为爬虫关闭的时候调用
当 spider 被关闭时,这个方法被调用。可以实现在爬虫关闭时需要进行的操作,比如说关闭已经写好的文件,或者关闭与数据库的连接
需要传入的参数:
spider (Spider 对象) : 被关闭的 spider
举例说明
将项目写入JSON文件
以下管道将所有抓取的Item(来自所有蜘蛛)存储到单个items.json文件中,每行包含一个项目,以JSON格式序列化:import json class JsonWriterPipeline(object): def open_spider(self, spider): #在爬虫开始时打开文件 self.file = open('items.json', 'w') def close_spider(self, spider): #在爬虫结束时关闭文件 self.file.close() def process_item(self, item, spider): #把爬取到的item转换为json格式,保存进文件 line = json.dumps(dict(item)) + "\n" self.file.write(line) return item #注意要返回item
-
from_crawler(cls, crawler) —— 非必需,也是在启动的时候调用,比 open_spider早
该类方法用来从 Crawler 中初始化得到一个 pipeline 实例;它必须返回一个新的 pipeline 实例;Crawler 对象提供了访问所有 Scrapy 核心组件的接口,包括 settings 和 signals
需要传入的参数:
crawler (Crawler 对象) : 使用该管道的crawler
举例说明
此例主要使用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item类命名
from_crawler()方法是创建通往Crawler的pipeline,返回一个新的pipeline实例
这个例子的要点是显示如何使用from_crawler()方法和如何正确清理资源通过类方法 from_crawler() 在内部初始化得到了一个 pipeline 实例,初始化的过程中,使用了 mongo_uri 以及 mongo_db 作为构造参数
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
实战
爬取58同城步骤
- 在命令行输入 scrapy startproject city58,使用cd city58进入项目目录,使用scrapy genspider city58_test 58.com生成爬虫
- 访问58同城网站,打开开发者工具,查看elements
- 查找含有目标信息的元素,提取目标网页的url,填入新建的Scrapy项目中Spider文件下的start_url中,并编写Spider
- 编写Items(用于定义需要爬取的字段)和PIpeLine(处理Item)两个文件,以及修改setting文件(启动管道),创建main文件
- 运行main文件,启动Scrapy爬虫
文件结构
代码实现
-
items.py:定义我们所要爬取的信息的相关属性,此例中需要爬取的是name、price、url
import scrapy class City58Item(scrapy.Item): # define the fields for your item here like: name = scrapy.Field() price = scrapy.Field() url = scrapy.Field()
-
city58_test.py:主要是用于定义请求链接,并使用pyquery选取目标元素(爬取的新选择器已更新至代码中!(2019.10.27))
# -*- coding: utf-8 -*- import scrapy from pyquery import PyQuery from city_58.items import City58Item class SpiderCity58Spider(scrapy.Spider): name = 'spider_city_58' allowed_domains = ['58.com'] start_urls = ['http://bj.58.com/chuzu/'] def parse(self, response): jpy = PyQuery(response.text) li_list = jpy('body > div.list-wrap > div.list-box > ul > li').items() #记得带上.items() for it in li_list: a_tag = it('div.des > h2 > a') item = City58Item() item['name'] = a_tag.text() #a_tag取出文本 item['url'] = a_tag.attr('href') #取出href参数 item['price'] = it('div.list-li-right > div.money > b').text() yield item #把Item返回给引擎
-
pipeline.py:当item数据被city58_test爬虫爬取好并返回给引擎以后,引擎会把item交给City58Pipeline这个管道处理。这个pipeline文件负责打开关闭文件,并写入文件
import json class City58Pipeline(object): #打开文件 def open_spider(self,spider): self.file = open('58_chuzu.txt', 'w' , encoding='utf8') print('打开文件了') #写入文件 def process_item(self, item, spider): line = '{}\n'.format(json.dumps(dict(item))) #把item转换成字符串 self.file.write(line) return item #关闭文件 def close_spider(self, spider): self.file.close() print('关闭文件了')
-
settings.py:开启City58Pipeline这个管道
ITEM_PIPELINES = { ‘city58.pipelines.City58Pipeline’: 300, }
-
main.py:运行爬虫
from scrapy import cmdline cmdline.execute("scrapy crawl city58_test".split())