scrpay(四）Item pipeline

    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

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c

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被关闭的时候这个方法被调用

from_crawler(cls,crawler)

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

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

        #需要在setting中配置

        #MONGO_URI="127.0.0.1:27017"

        #MONGO_DATABASE="spider"

    @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

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)) +"\n"

        self.file.write(line)

        return item