scrapy框架中Item Pipeline用法

scrapy框架中item pipeline用法

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

持久化存储

import pymysql
import redis


# 只要涉及到持久化相关的操作，必须写在管道文件中

# 管道文件：需要接收爬虫文件提交过来的数据，并对数据进行持久化存储（IO操作）
class ThreePipeline(object):
    fp = None

    # 只会被执行一次（开始爬虫的时候执行一次）
    def open_spider(self, spider):
        print('开始爬虫')
        self.fp = open('./job.txt', "w")

    # 链接数据库啊，数据库的写入等操作   # 只能处理item
    # 和items联合使用的
    # process_item核心方法被调用  将item中数据写入磁盘本地
    # 爬虫每提交一次item，该方法就会被调用一次
    def process_item(self, item, spider):
        # 爬虫每提交一次item，该方法就会被调用一次
        # print(item['company'])
        self.fp.write(item['title'] + "	" + item['salary'] + '	' + item['salary'] + '
')

        return item

    def close_spider(self, spider):
        print('爬虫结束')
        self.fp.close()


# 注意：默认情况下管道机制并没有开启，需要手动在配置文件中手动开启

# 使用管道进行持久化存储的流程：
"""
1 获取解析到的数据值
2 将解析的数据值存储到item对象（item类中进行相关属性的声明）
3 通过yield关键字将item提交到管道
4 管道文件中进行持久化存储代码的编写（process_item）
5 在配置文件中开启管道
"""


# 存入mysql
class MysqlPipeline(object):
    conn = None
    cursor = None

    def open_spider(self, spider):
        print("mysql-start")
        self.conn = pymysql.Connect(host='127.0.0.1', port=3306, user='root', password='123456', db='spider')
        print(self.conn)

    def process_item(self, item, spider):
        self.cursor = self.conn.cursor()
        sql = 'insert into boss values ("%s", "%s", "%s")' % (item['title'], item['salary'], item['company'])
        try:
            self.cursor.execute(sql)
            self.conn.commit()
        except Exception as e:
            print(e)
            self.conn.rollback()

        return item

    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()
        print('mysql-end')


# 存入redis
class RedisPipeline(object):
    conn = None

    def open_spider(self, spider):
        print('redis-start')
        self.conn = redis.Redis(host='127.0.0.1', port=6379)

    def process_item(self, item, spider):
        dic = {
            "title": item['title'],
            "salary": item['salary'],
            "company": item['company']
        }
        self.conn.lpush('job_info', dic)

        return item

    def close_spider(self, spider):
        print('redis-end')

# 注意： 一定要保证每一个管道类的process_item方法有返回值

编写自己的item pipeline

process_item(self,item,spider)

每个item piple组件是一个独立的pyhton类，必须实现以process_item(self,item,spider)方法
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组件所处理

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挂去年比时候这个方法被调用

from_crawler(cls,crawler)
这个和我们在前面说spider的时候的用法是一样的，可以用于获取settings配置文件中的信息，需要注意的这个是一个类方法，用法例子如下：

一些item pipeline的使用例子（官网说明）

例子1
这个例子实现的是判断item中是否包含price以及price_excludes_vat，如果存在则调整了price属性，都让item['price'] = item['price'] * self.vat_factor，如果不存在则返回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)

例子2
这个例子是将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)) + "
"
        self.file.write(line)
        return item

例子3
将item写入到MongoDB，同时这里演示了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，但是我们spider返回的多个item中包含了相同的id,去重方法如下：这里初始化了一个集合，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y9ou一个ITEM_PIPELINES的配置参数，例子如下：

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

每个pipeline后面有一个数值，这个数组的范围是0-1000，这个数值确定了他们的运行顺序，数字越小越优先