【Scrapy】Item Pipeline

项目管道(Item Pipeline)用于处理Spider返回的Item对象，如果定义了多个项目管道，则按优先级顺序执行

官方文档：https://docs.scrapy.org/en/latest/topics/item-pipeline.html

项目管道就是实现了process_item()方法的Python类，用于处理Spider返回的Item对象
注意：Scrapy并没有提供所谓的ItemPipeline基类，自定义的项目管道类只要有process_item()方法即可，这是利用了Python的协议(protocol)或鸭子类型(duck-typing)的特性，即只关心一个类是否有所需的属性或方法，而不是（像Java那样）通过基类或接口来限制对象的类型

自定义项目管道

项目管道类必须实现以下方法：

process_item(self, item, spider)

对接收到的Item对象执行某些操作（例如保存到数据库），并决定该Item对象继续被后续的项目管道处理，还是不再继续处理
item是要处理的Item对象（可能是字典、Item类或其他），spider是对应的爬虫对象
该方法要么返回一个Item对象，给其他项目管道继续处理；要么产生一个DropItem异常，表示不再继续处理

以下方法是可选的：

open_spider(self, spider)

当spider开始时该方法被调用

close_spider(self, spider)

当spider关闭时该方法被调用

from_crawler(cls, crawler)

这是一个类方法，用于从一个Crawler对象创建项目管道实例

项目管道的典型用途

• 清理HTML数据
• 验证爬取到的数据（是否包含特定的字段）
• 去重
• 将爬取到的数据保存到数据库

定义项目管道后要在设置文件中激活：

ITEM_PIPELINES = {
    'myproject.pipelines.MyPipeline1': 300,
    'myproject.pipelines.MyPipeline2': 800,
}

数字为优先级，范围0~1000，数字越小优先级越高

示例

验证字段

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'] *= self.vat_factor
            return item
        else:
            raise DropItem('Missing price in {}'.format(item))

写入JSON文件

import json

from itemadapter import ItemAdapter

class JsonWriterPipeline:

    def open_spider(self, spider):
        self.file = open('items.jsonl', '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

保存到MongoDB

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

去重

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('Duplicate item found: {}'.format(item))
        else:
            self.ids_seen.add(adapter['id'])
            return item