一、Item Pipeline介绍
蜘蛛抓取的每一个Item都会被发送到Item Pipeline。根据ITEM_PIPELINES的优先级设置，不同的Item Pipeline依次处理每一个Item，最后可删除该Item不做处理，也可将该Item发送到下一个Item Pipeline。Item Pipeline的主要用途有：
1、清洗数据
2、验证数据（检查Item某些字段是否为空）
3、数据查重
4、存储数据
二、Item Pipeline的方法
1、process_item
语法：process_item(self, item, spider)
参数：
item (item object) -- Item实例
spider (Spider object) -- spider实例
用法：每个Item Pipeline都需要调用此方法，这个方法必须返回一个 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Item Pipeline所处理。2、open_spider
语法：open_spider(self, spider)
参数：spider (Spider object) -- spider实例
用法：当spider打开时调用此方法。3、close_spider
语法：close_spider(self, spider)
参数：spider (Spider object) -- spider实例
用法：当spider关闭时调用此方法。4、from_crawler
语法：from_crawler(cls, crawler)
参数：crawler (Crawler object) -- 使用此管道的爬虫程序
用法：调用此方法从爬虫程序Crawler生成实例。返回实例对象括号里面的参数，是会进入初始化方法__init__的三、Item Pipeline的示例
1、验证数据——价格数据验证（删除Item中price字段为空的Item）
from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
class PricePipeline:
vat_factor = 1.15
def process_item(self, item, spider):
adapter = ItemAdapter(item)
if adapter.get('price'):
if adapter.get('price_excludes_vat'):
adapter['price'] = adapter['price'] * self.vat_factor
return item
else:
raise DropItem(f"Missing price in {item}")2、存储数据——将项目写入JSON文件
import json
from itemadapter import ItemAdapter
class JsonWriterPipeline:
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
line = json.dumps(ItemAdapter(item).asdict()) + "\n"
self.file.write(line)
return item3、存储数据——将项目写入MongoDB
import pymongo
from itemadapter import ItemAdapter
class MongoPipeline:
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'), #从settings读取配置
mongo_db=crawler.settings.get('MONGO_DATABASE', 'items') #从settings读取配置
)
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_one(ItemAdapter(item).asdict())
return item4、存储数据——项目截图
此Item Pipeline生成一个请求，向本地运行的Splash实例（一个javascript渲染服务器）发出，以渲染Item中URL的屏幕截图。Item Pipeline使用协同程序将请求响应下载后，将屏幕截图保存到文件中，并将文件名添加到Item中。
import hashlib
from urllib.parse import quote
import scrapy
from itemadapter import ItemAdapter
from scrapy.utils.defer import maybe_deferred_to_future
class ScreenshotPipeline:
SPLASH_URL = "http://localhost:8050/render.png?url={}"
async def process_item(self, item, spider):
adapter = ItemAdapter(item)
encoded_item_url = quote(adapter["url"])
screenshot_url = self.SPLASH_URL.format(encoded_item_url)
request = scrapy.Request(screenshot_url)
response = await maybe_deferred_to_future(spider.crawler.engine.download(request, spider))
if response.status != 200:
# Error happened, return item.
return item
# Save screenshot to file, filename will be hash of url.
url = adapter["url"]
url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
filename = f"{url_hash}.png"
with open(filename, "wb") as f:
f.write(response.body)
# Store filename in item.
adapter["screenshot_filename"] = filename
return item5、数据查重——重复筛选器
from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
class DuplicatesPipeline:
def __init__(self):
self.ids_seen = set()
def process_item(self, item, spider):
adapter = ItemAdapter(item)
if adapter['id'] in self.ids_seen:
raise DropItem(f"Duplicate item found: {item!r}")
else:
self.ids_seen.add(adapter['id'])
return item四、Item Pipeline的激活
将Item Pipeline的类添加到ITEM_PIPELINES设置，在此设置中分配给类的整数值决定了运行顺序，由低到高。如下：
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
