Scrapy学习过程之六：pipeline

参考：https://docs.scrapy.org/en/latest/topics/item-pipeline.html#topics-item-pipeline

架构图：

Item Pipeline 

就是一些简单的处理Item的类，输入是Item输出也是Item，多个类就组成一个管道。

典型用法：

• 清洗数据
• 验证数据的有效性
• 去重
• 排序

Writing your own item pipeline

process_item(self, item, spider)

必需实现，必需返回dict或者Item或者Twisted Deferred或者触发DropItem异常，DropItem异常将导致Item停止在Pipeline中的流动。

Parameters:	item (Item object or a dict) – the item scraped spider (Spider object) – the spider which scraped the item

可选择性实现的方法：

open_spider(self, spider)

当Spider打开时调用此方法，可以做一些初始化工作，出个日志什么的。

Parameters:	spider (Spider object) – the spider which was opened

close_spider(self, spider)

SPIDER关闭的时候调用，清理工作。

Parameters:	spider (Spider object) – the spider which was closed

from_crawler(cls, crawler)

不知道什么时候调用，通过crawler可以访问Scrapy架构中的所有组件。

Parameters:	crawler (Crawler object) – crawler that uses this pipeline

 Item pipeline example

from scrapy.exceptions import DropItem

class PricePipeline(object):

    vat_factor = 1.15

    def process_item(self, item, spider):
        if item.get('price'):
            if item.get('price_excludes_vat'):
                item['price'] = item['price'] * self.vat_factor
            return item
        else:
            raise DropItem("Missing price in %s" % item)

加一点对数据进行整形的逻辑。

Write items to a JSON file

import json

class JsonWriterPipeline(object):

    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(dict(item)) + "\n"
        self.file.write(line)
        return item

Write items to MongoDB

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_one(dict(item))
        return item

Activating an Item Pipeline component

Item pipeline写好了以后，需要配置一下才能生效，配置项为ITEM_PIPELINES，示例如下：

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