Python爬蟲從入門到放棄（十六）之 Scrapy框架中Item Pipeline用法

當Item 在Spider中被收集之后，就會被傳遞到Item Pipeline中進行處理

每個item pipeline組件是實現了簡單的方法的python類，負責接收到item並通過它執行一些行為，同時也決定此Item是否繼續通過pipeline,或者被丟棄而不再進行處理

item pipeline的主要作用：

1. 清理html數據
2. 驗證爬取的數據
3. 去重並丟棄
4. 講爬取的結果保存到數據庫中或文件中

編寫自己的item pipeline

process_item(self,item,spider)

每個item piple組件是一個獨立的pyhton類，必須實現以process_item(self,item,spider)方法
每個item pipeline組件都需要調用該方法，這個方法必須返回一個具有數據的dict,或者item對象，或者拋出DropItem異常，被丟棄的item將不會被之后的pipeline組件所處理

下面的方法也可以選擇實現

open_spider(self,spider)
表示當spider被開啟的時候調用這個方法

close_spider(self,spider)
當spider掛去年比時候這個方法被調用

from_crawler(cls,crawler)
這個和我們在前面說spider的時候的用法是一樣的，可以用於獲取settings配置文件中的信息，需要注意的這個是一個類方法，用法例子如下：

一些item pipeline的使用例子（官網說明）

例子1
這個例子實現的是判斷item中是否包含price以及price_excludes_vat，如果存在則調整了price屬性，都讓item['price'] = item['price'] * self.vat_factor，如果不存在則返回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)

例子2
這個例子是將item寫入到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

例子3
將item寫入到MongoDB，同時這里演示了from_crawler的用法

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

例子4：去重
一個用於去重的過濾器，丟棄那些已經被處理過的item,假設item有一個唯一的id，但是我們spider返回的多個item中包含了相同的id,去重方法如下：這里初始化了一個集合，每次判斷id是否在集合中已經存在，從而做到去重的功能

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

啟用一個item Pipeline組件

在settings配置文件中y9ou一個ITEM_PIPELINES的配置參數，例子如下：

ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300,
    'myproject.pipelines.JsonWriterPipeline': 800,
}

每個pipeline后面有一個數值，這個數組的范圍是0-1000，這個數值確定了他們的運行順序，數字越小越優先