标签：else write 对象 actor 例子 pre imp 类方法 去重
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 :
1. 清理html数据
2. 验证爬取的数据
3. 去重并丢弃
4. 将爬取的结果保存到数据库中或文件中
编写自己的item pipeline :
process_item(self, item, spider)
每个item piple组件是一个独立的python类, 必须实现以process_item(self, item, spider)方法
每个item pipeline 组价都需要调用该方法, 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组价所处理
下面的方法也可以选择实现:
open_spider(self, spider)
表示当spider被开启的时候调用这个方法
close_spider(self, spider)
当spider关闭的时候这个方法被调用
from_crawler(cls, crawler)
这个和在前面说的spider用法是一样的, 可以用于获取settings配置文件中的信息, 需要注意的此方法是一个类方法, 举个栗子:
一些item pipeline的使用例子
栗子1 :
此栗子是判断item中是否包含price以及price_excludes_vat, 如果存在则调整price属性, 都让item["price"] = item["price"] * self.vat_factor, 如果不存在拟则返回DropItem
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item[‘price‘]:
if item[‘price_excludes_vat‘]:
item[‘price‘] = item[‘price‘] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
栗子2 :
此栗子是将item写入到json文件中
import json
class JsonWriterPipeline(object):
def __init__(self):
self.file = open(‘items.jl‘, ‘wb‘)
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
栗子3 :
将item写入到MongoDB, 同时演示from_crawler用法
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(dict(item))
return item
栗子4 :
一个用于去重的过滤器, 丢弃那些已经被处理过的item, 假设item有一个唯一的id, 但是spider返回的多个item中包含了相同的id, 去重方法如下: 初始化一个集合, 每次判断id是否在集合中已经存在, 从而做到去重的功能
from scrapy.exceptions import DropItem class DuplicatesPipeline(object): def __init__(self): self.ids_seen = set() def process_item(self, item, spider): if item[‘id‘] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else: self.ids_seen.add(item[‘id‘]) return item
启用一个item pipeline组件
在settings配置文件中有一个ITEM_PIPELINES的配置参数 :
ITEM_PIPELINES = { ‘myproject.pipelines.PricePipeline‘: 300, ‘myproject.pipelines.JsonWriterPipeline‘: 800, }
每个pipeline后面有一个数值, 这个数值的范围是0-1000, 这个数值确定了他们的运行顺序(即优先级), 数字越小越优先执行.
python爬虫之Scrapy框架中的Item Pipeline用法
标签：else write 对象 actor 例子 pre imp 类方法 去重
原文地址：https://www.cnblogs.com/dong-/p/10310964.html
