scrapy管道

发表于 | 分类于 ，
字数统计: 1.4k 字 | 阅读时长 ≈ 6 分钟

参考项目：https://github.com/snjl/python.spider.scrapy_test.git

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。

每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到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，或是被丢弃而不再进行处理。

以下是item pipeline的一些典型应用：

  • 清理HTML数据
  • 验证爬取的数据(检查item包含某些字段)
  • 查重(并丢弃)
  • 将爬取结果保存到数据库中

编写你自己的item pipeline

每个item pipiline组件是一个独立的Python类，同时必须实现以下方法:

1
process_item(self, item, spider)

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，或是 Item (或任何继承类)对象， 或是抛出 DropItem 异常，被丢弃的item将不会被之后的pipeline组件所处理。

参数:

  • item (Item 对象或者一个dict) – 被爬取的item
  • spider (Spider 对象) – 爬取该item的spider
    此外,他们也可以实现以下方法:
    1
    open_spider(self, spider)

当spider被开启时，这个方法被调用。

参数: spider (Spider 对象) – 被开启的spider

1
close_spider(self, spider)

当spider被关闭时，这个方法被调用

参数: spider (Spider 对象) – 被关闭的spider

1
from_crawler(cls, crawler)

类方法，获取scrapy中的一些参数和设置等，例如可以拿到settings.py中的配置信息。

参数: crawler (Crawler object) – 使用该管道的爬虫

Item pipeline 样例

验证价格，同时丢弃没有价格的item
让我们来看一下以下这个假设的pipeline，它为那些不含税(price_excludes_vat 属性)的item调整了 price 属性，同时丢弃了那些没有价格的item:

1
2
3
4
5
6
7
8
9
10
11
12
13
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)

将item写入JSON文件

以下pipeline将所有(从所有spider中)爬取到的item，存储到一个独立地 items.jl 文件，每行包含一个序列化为JSON格式的item:

1
2
3
4
5
6
7
8
9
10
11
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

将item写入MongoDB

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
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

去重（Duplicates filter）

一个用于去重的过滤器，丢弃那些已经被处理过的item。让我们假设我们的item有一个唯一的id，但是我们spider返回的多个item中包含有相同的id:

1
2
3
4
5
6
7
8
9
10
11
12
13
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

为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 配置，就像下面这个例子:

1
2
3
4
ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300,
    'myproject.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。

管道开启、关闭时间等测试

一共三个管道，在2个管道加入日志输出：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
# MongoDB存储数据管道
class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    # 从settings中拿到配置
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    # 爬虫启动时需要进行的操作，初始化MongoDB对象
    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]
        spider.logger.info("mongodb start!")
    # 最重要的process_item
    def process_item(self, item, spider):
        # 使用这样的name比较灵活
        name = item.__class__.__name__
        self.db[name].insert(dict(item))
        return item

    # 管道完毕时自动运行
    def close_spider(self, spider):
        self.client.close()
        spider.logger.info("mongodb close!")

class JsonWriterPipeline(object):

    def __init__(self):
        self.file = open('items.jl', 'a+')
        print("file open!")

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item
    def close_spider(self, spider):
        self.file.close()
        spider.logger.info("file close!")

在输出时候，日志如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
···
2019-01-28 19:36:55 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
file open!
2019-01-28 19:36:55 [scrapy.middleware] INFO: Enabled item pipelines:
['tutorial.pipelines.TutorialPipeline',
 'tutorial.pipelines.MongoPipeline',
 'tutorial.pipelines.JsonWriterPipeline']
2019-01-28 19:36:55 [scrapy.core.engine] INFO: Spider opened
2019-01-28 19:36:55 [quotes] INFO: mongodb start!
···
# 中间为其他日志记录，例如输出内容和debug等
···
2019-01-28 19:36:59 [scrapy.core.engine] INFO: Closing spider (finished)
2019-01-28 19:36:59 [quotes] INFO: file close!
2019-01-28 19:36:59 [quotes] INFO: mongodb close!
2019-01-28 19:36:59 [scrapy.extensions.feedexport] INFO: Stored jl feed (100 items) in:  quotes1.jl
···

可以看出，管道是爬虫开始前就打开，爬虫结束后关闭，而且在类的init函数中的初始化效果和open_spider的初始化效果其实是一样的，因为只开启一次，而不是每次爬取每次都开启，所以效果等同。

-------------本文结束 感谢您的阅读-------------