24-爬虫-scrapy-Item Pipeline

待我称王封你为后i 2023-01-04 13:18 190阅读 0赞

给IT入门加星标，提升编程技能

当Item在Spider中被收集之后，**它将会被传递到Item Pipeline**

每个Item Pipeline组件接收到Item,定义一些操作行为，比如决定此Item是丢弃而存储。

以下是item pipeline的一些典型应用：

*  验证爬取的数据(检查item包含某些字段，比如说name字段)
 *  查重(并丢弃)
 *  将爬取结果保存到文件或者数据库中

--------------------

### 编写item pipeline ###

编写item pipeline很简单，item pipiline组件是一个独立的Python类，必须实现process\_item方法:

#### process\_item(self, item, spider) ####

当Item在Spider中被收集之后，都需要调用该方法

参数:

1.  `item - 爬取的结构化数据`
2.  `spider – 爬取该item的spider`

#### open\_spider(self, spider) ####

当spider被开启时，这个方法被调用。

参数:  
`spider` 被开启的spider

#### close\_spider(spider) ####

当spider被关闭时，这个方法被调用

参数:

`spider – 被关闭的spider`

--------------------

#### 将item写入JSON文件 ####

以下pipeline将所有爬取到的`item`，存储到一个独立地`items.json` 文件，每行包含一个序列化为'JSON'格式的'item':

import json
    class JsonWriterPipeline(object):
        def __init__(self):
            self.file = open('items.json', 'wb')
        def process_item(self, item, spider):
            line = json.dumps(dict(item),ensure_ascii=False) + "\n"
            self.file.write(line)
            return item

### 启用一个Item Pipeline组件 ###

为了启用`Item Pipeline`组件，必须将它的类添加到 `settings.py`文件`ITEM_PIPELINES` 配置，就像下面这个例子:

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

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

### 在这里优化： ###

以下pipeline将所有爬取到的`item`，存储到一个独立地`items.json` 文件，每行包含一个序列化为'JSON'格式的'item':

import json
    import codecs
    class JsonWriterPipeline(object):
        def __init__(self):
            self.file = codecs.open('items.json', 'w', encoding='utf-8')
        def process_item(self, item, spider):
            line = json.dumps(dict(item), ensure_ascii=False) + "\n"
            self.file.write(line)
            return item
        def spider_closed(self, spider):
            self.file.close()

针对spider里面的utf-8编码格式去掉`.encode('utf-8')`

item = RecruitItem()
    item['name']=name.encode('utf-8')
    item['detailLink']=detailLink.encode('utf-8')
    item['catalog']=catalog.encode('utf-8')
    item['recruitNumber']=recruitNumber.encode('utf-8')
    item['workLocation']=workLocation.encode('utf-8')
    item['publishTime']=publishTime.encode('utf-8')

### 将item写入MongoDB ###

from\_crawler(cls, crawler)

如果使用，这类方法被调用创建爬虫管道实例。必须返回管道的一个新实例。crawler提供存取所有Scrapy核心组件配置和信号管理器；对于`pipelines`这是一种访问配置和信号管理器 的方式。

在这个例子中，我们将使用`pymongo`将`Item`写到`MongoDB`。`MongoDB`的地址和数据库名称在`Scrapy setttings.py`配置文件中；

这个例子主要是说明如何使用from\_crawler()方法

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

piaosanlang https://piaosanlang.gitbooks.io/spiders/content/

\- EOF -