python pipeline.len_Python爬虫--Scrapy--pipeline

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