四、scrapy爬虫框架——scrapy管道的使用

scrapy管道的使用

学习目标：

1. 掌握 scrapy管道(pipelines.py)的使用

---

之前我们在scrapy入门使用一节中学习了管道的基本使用，接下来我们深入的学习scrapy管道的使用

1. pipeline中常用的方法：

1. process_item(self,item,spider):
   • 管道类中必须有的函数
   • 实现对item数据的处理
   • 必须return item
2. open_spider(self, spider): 在爬虫开启的时候仅执行一次
3. close_spider(self, spider): 在爬虫关闭的时候仅执行一次

2. 管道文件的修改

继续完善wangyi爬虫，在pipelines.py代码中完善

• myCode:

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
import json
from pymongo import MongoClient

class WangyiPipeline:
    # def __init__(self):
    #     self.file = open('wangyi.json','w')
    def open_spider(self,spider):
        if spider.name == 'job':
            self.file = open('wangyi.json','w',encoding='utf-8')

    def process_item(self, item, spider):
        if spider.name == 'job':
            # 将item对象转换成字典类型
            item = dict(item)
            # 将字典类型数据转换成字符串
            str_data = json.dumps(item,ensure_ascii=False) +',\n'
            self.file.write(str_data)
        return item

    def close_spider(self,spider):
        if spider.name == 'job':
            self.file.close()



class WangyiSimplePipeline:
    # def __init__(self):
    #     self.file = open('wangyi.json','w')
    def open_spider(self,spider):
        if spider.name == 'job_simple':
            self.file = open('wangyiSimple.json','w',encoding='utf-8')

    def process_item(self, item, spider):
        if spider.name == 'job_simple':
            # 将item对象转换成字典类型
            item = dict(item)

            # 将字典类型数据转换成字符串
            str_data = json.dumps(item,ensure_ascii=False) +',\n'
            self.file.write(str_data)
        return item


    def close_spider(self,spider):
        if spider.name == 'job_simple':
            self.file.close()


class MongoPipeline(object):
    def open_spider(self,spider):
        self.client = MongoClient('127.0.0.1',27017)
        self.db = self.client['itcast']
        self.col = self.db['wangyi']


    def process_item(self,item,spider):
        # 将item对象转换成字符串
        data =dict(item)

        # 将data写入数据库
        self.col.insert(data)

        return item


    def close_spider(self,spider):
        self.client.close()

import json
from pymongo import MongoClient

class WangyiFilePipeline(object):
    def open_spider(self, spider):  # 在爬虫开启的时候仅执行一次
        if spider.name == 'itcast':
            self.f = open('json.txt', 'a', encoding='utf-8')

    def close_spider(self, spider):  # 在爬虫关闭的时候仅执行一次
        if spider.name == 'itcast':
            self.f.close()

    def process_item(self, item, spider):
        if spider.name == 'itcast':
            self.f.write(json.dumps(dict(item), ensure_ascii=False, indent=2) + ',\n')
        # 不return的情况下，另一个权重较低的pipeline将不会获得item
        return item  

class WangyiMongoPipeline(object):
    def open_spider(self, spider):  # 在爬虫开启的时候仅执行一次
        if spider.name == 'itcast':
        # 也可以使用isinstanc函数来区分爬虫类:
            con = MongoClient(host='127.0.0.1', port=27017) # 实例化mongoclient
            self.collection = con.itcast.teachers # 创建数据库名为itcast,集合名为teachers的集合操作对象

    def process_item(self, item, spider):
        if spider.name == 'itcast':
            self.collection.insert(item) 
            # 此时item对象必须是一个字典,再插入
            # 如果此时item是BaseItem则需要先转换为字典：dict(BaseItem)
        # 不return的情况下，另一个权重较低的pipeline将不会获得item
        return item  

3. 开启管道

在settings.py设置开启pipeline

......
ITEM_PIPELINES = {
    'myspider.pipelines.ItcastFilePipeline': 400, # 400表示权重
    'myspider.pipelines.ItcastMongoPipeline': 500, # 权重值越小，越优先执行！
}
......

别忘了开启mongodb数据库 sudo service mongodb start
并在mongodb数据库中查看 mongo

思考：在settings中能够开启多个管道，为什么需要开启多个？

1. 不同的pipeline可以处理不同爬虫的数据，通过spider.name属性来区分
2. 不同的pipeline能够对一个或多个爬虫进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存
3. 同一个管道类也可以处理不同爬虫的数据，通过spider.name属性来区分

4. pipeline使用注意点

1. 使用之前需要在settings中开启
2. pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过：权重值小的优先执行
3. 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
4. pipeline中process_item的方法必须有，否则item没有办法接受和处理
5. process_item方法接受item和spider，其中spider表示当前传递item过来的spider
6. open_spider(spider) :能够在爬虫开启的时候执行一次
7. close_spider(spider) :能够在爬虫关闭的时候执行一次
8. 上述俩个方法经常用于爬虫和数据库的交互，在爬虫开启的时候建立和数据库的连接，在爬虫关闭的时候断开和数据库的连接

---

小结

• 管道能够实现数据的清洗和保存，能够定义多个管道实现不同的功能，其中有个三个方法
  • process_item(self,item,spider):实现对item数据的处理
  • open_spider(self, spider): 在爬虫开启的时候仅执行一次
  • close_spider(self, spider): 在爬虫关闭的时候仅执行一次

---