一、pipeline简介
Item管道的主要责任是负责处理有爬虫从网页中抽取的Item,他的主要任务是清洗、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。获取了Item并执行方法,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。简而言之,就是通过spider爬取的数据都会通过这个pipeline处理,可以在pipeline中不进行操作或者执行相关对数据的操作。
当Item 在Spider中被收集之后,就会被传递到Item Pipeline中进行处理。
每个item pipeline组件是实现了简单的方法的python类,负责接收到item并通过它执行一些行为,同时也决定此Item是否继续通过pipeline,或者被丢弃而不再进行处理。
item pipeline的主要作用:
清洗html数据
验证爬取的数据
去重并丢弃
将爬取的结果保存到数据库中或文件中
二、编写自己的item pipeline
1. 核心方法
process_item(self,item,spider)
每个item piple组件是一个独立的pyhton类,必须实现process_item(self,item,spider)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具有数据的dict,或者item对象,或者抛出DropItem异常,被丢弃的item将不会被之后的pipeline组件所处理。
process_item()是必须要实现的方法,被定义的Item Pipeline会默认调用这个方法对Item进行处理。比如,我们可以进行数据处理或者将数据写入到数据库等操作。它必须返回Item类型的值或者抛出一个DropItem异常。
process_item()方法的参数有如下两个。
item,是Item对象,即被处理的Item。
spider,是Spider对象,即生成该Item的Spider。
process_item()方法的返回类型归纳如下。
如果它返回的是Item对象,那么此Item会被低优先级的Item Pipeline的process_item()方法处理,直到所有的方法被调用完毕。
如果它抛出的是DropItem异常,那么此Item会被丢弃,不再进行处理。
下面的方法也可以选择实现:
open_spider(self,spider)
open_spider()方法是在Spider开启的时候被自动调用的。在这里我们可以做一些初始化操作,如开启数据库连接等。其中,参数spider就是被开启的Spider对象。
close_spider(self,spider)
close_spider()方法是在Spider关闭的时候自动调用的。在这里我们可以做一些收尾工作,如关闭数据库连接等。其中,参数spider就是被关闭的Spider对象。
from_crawler(cls,crawler)
from_crawler()方法是一个类方法,用@classmethod标识,是一种依赖注入的方式。它的参数是crawler,通过crawler对象,我们可以拿到Scrapy的所有核心组件,如全局配置的每个信息,然后创建一个Pipeline实例。参数cls就是Class,最后返回一个Class实例。
三、示例
目标网站
1.新建项目
scrapy startproject images360
2. 生成爬虫
scrapy genspider images images.so.com
3. 构造请求
接下来定义爬取的页数。比如爬取50页、每页30张,也就是1500张图片,我们可以先在settings.py里面定义一个变量MAX_PAGE,添加如下定义:
MAX_PAGE = 50
定义start_requests()方法,用来生成50次请求,如下所示:
def start_requests(self):
data = {'ch': 'photography', 'listtype': 'new'}
base_url = 'https://image.so.com/zj?'
for page in range(1, self.settings.get('MAX_PAGE') + 1):
data['sn'] = page * 30
params = urlencode(data)
url = base_url + params
yield Request(url, self.parse)
在这里我们首先定义了初始的两个参数,sn参数是遍历循环生成的。然后利用urlencode()方法将字典转化为URL的GET参数,构造出完整的URL,构造并生成Request。
还需要引入scrapy.Request和urllib.parse模块,如下所示:
from scrapy import Spider, Request
from urllib.parse import urlencode
修改settings.py中的ROBOTSTXT_OBEY变量,将其设置为False,否则无法抓取,如下所示:
ROBOTSTXT_OBEY = False
运行爬虫,即可以看到链接都请求成功,执行命令如下所示:
scrapy crawl images
所有请求的状态码都是200,这就证明图片信息爬取成功了。
4. 提取信息
首先定义一个Item,叫作ImageItem,如下所示:
from scrapy import Item, Field
class ImageItem(Item):
collection = table = 'images'
id = Field()
url = Field()
title = Field()
thumb = Field()
在这里我们定义了4个字段,包括图片的ID、链接、标题、缩略图。另外还有两个属性collection和table,都定义为images字符串,分别代表MongoDB存储的Collection名称和MySQL存储的表名称。
接下来我们提取Spider里有关信息,将parse()方法改写为如下所示:
def parse(self, response):
result = json.loads(response.text)
for image in result.get('list'):
item = ImageItem()
item['id'] = image.get('imageid')
item['url'] = image.get('qhimg_url')
item['title'] = image.get('group_title')
item['thumb'] = image.get('qhimg_thumb_url')
yield item
首先解析JSON,遍历其list字段,取出一个个图片信息,然后再对ImageItem赋值,生成Item对象。
这样我们就完成了信息的提取。
5. 存储信息
首先确保MySQL已经正确安装并且正常运行。
新建一个数据库,名字还是images360,SQL语句如下所示:
CREATE DATABASE images360 DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci
新建一个数据表,包含id、url、title、thumb四个字段,SQL语句如下所示:
CREATE TABLE images (id VARCHAR(255) NULL PRIMARY KEY, url VARCHAR(255) NULL , title VARCHAR(255) NULL , thumb VARCHAR(255) NULL)
执行完SQL语句之后,我们就成功创建好了数据表。接下来就可以往表里存储数据了。
接下来我们实现一个MySQLPipeline,代码如下所示:
import pymysql
class MysqlPipeline():
def __init__(self, host, database, user, password, port):
self.host = host
self.database = database
self.user = user
self.password = password
self.port = port
@classmethod
def from_crawler(cls, crawler):
return cls(
host=crawler.settings.get('MYSQL_HOST'),
database=crawler.settings.get('MYSQL_DATABASE'),
user=crawler.settings.get('MYSQL_USER'),
password=crawler.settings.get('MYSQL_PASSWORD'),
port=crawler.settings.get('MYSQL_PORT'),
)
def open_spider(self, spider):
self.db = pymysql.connect(self.host, self.user, self.password, self.database, charset='utf8', port=self.port)
self.cursor = self.db.cursor()
def close_spider(self, spider):
self.db.close()
def process_item(self, item, spider):
data = dict(item)
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'insert into %s (%s) values (%s)' % (item.table, keys, values)
self.cursor.execute(sql, tuple(data.values()))
self.db.commit()
return item
这里用到的数据插入方法是一个动态构造SQL语句的方法。
这里又需要几个MySQL的配置,我们在settings.py里添加几个变量,如下所示:
MYSQL_HOST = 'localhost'
MYSQL_DATABASE = 'images360'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWORD = '123456'
这里分别定义了MySQL的地址、数据库名称、端口、用户名、密码。
这样,MySQL Pipeline就完成了。
四、Image Pipeline
Scrapy提供了专门处理下载的Pipeline,包括文件下载和图片下载。下载文件和图片的原理与抓取页面的原理一样,因此下载过程支持异步和多线程,下载十分高效。下面我们来看看具体的实现过程。
官方文档地址为:https://doc.scrapy.org/en/latest/topics/media-pipeline.html。
首先定义存储文件的路径,需要定义一个IMAGES_STORE变量,在settings.py中添加如下代码:
IMAGES_STORE = './images'
在这里我们将路径定义为当前路径下的images子文件夹,即下载的图片都会保存到本项目的images文件夹中。
内置的ImagesPipeline会默认读取Item的image_urls字段,并认为该字段是一个列表形式,它会遍历Item的image_urls字段,然后取出每个URL进行图片下载。
但是现在生成的Item的图片链接字段并不是image_urls字段表示的,也不是列表形式,而是单个的URL。所以为了实现下载,我们需要重新定义下载的部分逻辑,即要自定义ImagePipeline,继承内置的ImagesPipeline,重写几个方法。
我们定义ImagePipeline,如下所示:
from scrapy import Request
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
class ImagePipeline(ImagesPipeline):
def file_path(self, request, response=None, info=None):
url = request.url
file_name = url.split('/')[-1]
return file_name
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem('Image Downloaded Failed')
return item
def get_media_requests(self, item, info):
yield Request(item['url'])
在这里我们实现了ImagePipeline,继承Scrapy内置的ImagesPipeline,重写下面几个方法。
get_media_requests()。它的第一个参数item是爬取生成的Item对象。我们将它的url字段取出来,然后直接生成Request对象。此Request加入到调度队列,等待被调度,执行下载。
file_path()。它的第一个参数request就是当前下载对应的Request对象。这个方法用来返回保存的文件名,直接将图片链接的最后一部分当作文件名即可。它利用split()函数分割链接并提取最后一部分,返回结果。这样此图片下载之后保存的名称就是该函数返回的文件名。
item_completed(),它是当单个Item完成下载时的处理方法。因为并不是每张图片都会下载成功,所以我们需要分析下载结果并剔除下载失败的图片。如果某张图片下载失败,那么我们就不需保存此Item到数据库。该方法的第一个参数results就是该Item对应的下载结果,它是一个列表形式,列表每一个元素是一个元组,其中包含了下载成功或失败的信息。这里我们遍历下载结果找出所有成功的下载列表。如果列表为空,那么该Item对应的图片下载失败,随即抛出异常DropItem,该Item忽略。否则返回该Item,说明此Item有效。
现在为止,三个Item Pipeline的定义就完成了。最后只需要启用就可以了,修改settings.py,设置ITEM_PIPELINES,如下所示:
ITEM_PIPELINES = {
'images360.pipelines.ImagePipeline': 300,
'images360.pipelines.MongoPipeline': 301,
'images360.pipelines.MysqlPipeline': 302,
}
这里注意调用的顺序。我们需要优先调用ImagePipeline对Item做下载后的筛选,下载失败的Item就直接忽略,它们就不会保存到MySQL里。随后再调用其他两个存储的Pipeline,这样就能确保存入数据库的图片都是下载成功的。
接下来运行程序,执行爬取,如下所示:
scrapy crawl images
查看本地images文件夹,发现图片都已经成功下载:
图片
查看MySQL,下载成功的图片信息也已成功保存:
查看MySQL