Python:Scrapy框架中Item Pipeline组件使用详解
ItemPipeline简介
Item管道的主要责任是负责处理有蜘蛛从网页中抽取的Item,他的主要任务是清晰、验证和存储数据。
当页面被蜘蛛解析后,将被发送到Item管道,并经过几个特定的次序处理数据。
每个Item管道的组件都是有一个简单的方法组成的Python类。
他们获取了Item并执行他们的方法,同时他们还需要确定的是是否需要在Item管道中继续执行下一步或是直接丢弃掉不处理。
Item管道通常执行的过程有
清理HTML数据
验证解析到的数据(检查Item是否包含必要的字段)
检查是否是重复数据(如果重复就删除)
将解析到的数据存储到数据库中
编写自己的ItemPipeline
编写item管道其实是很容易的。
每个Item管道的组件都是由一个简单的方法组成的Python类:
process_item(item,spider)
每一个item管道组件都会调用该方法,并且必须返回一个item对象实例或raiseDropItem异常。
被丢掉的item将不会在管道组件进行执行
此外,我们也可以在类中实现以下方法
open_spider(spider)
当spider执行的时候将调用该方法
close_spider(spider)
当spider关闭的时候将调用该方法
ItemPipeline例子
代码如下:
fromscrapy.exceptionsimportDropItem classPricePipeline(object): vat_factor=1.15 defprocess_item(self,item,spider): ifitem['price']: ifitem['price_excludes_vat']: item['price']=item['price']*self.vat_factor returnitem else: raiseDropItem("Missingpricein%s"%item)
注:VAT:ValueAddedTax(增值税)
以上代码可以过滤那些没有价格的产品,并且对那些不包括增值税产品的价格进行调整
将抓取的items以json格式保存到文件中
从spider抓取到的items将被序列化为json格式,并且以每行一个item的形式被写入到items.jl文件中
代码:
importjson classJsonWriterPipeline(object): def__init__(self): self.file=open('items.jl','wb') defprocess_item(self,item,spider): line=json.dumps(dict(item))+"\n" self.file.write(line) returnitem
注:JsonWriterPipeline的目的是介绍如何编写项目管道。如果想要保存抓取的items到json文件中,推荐使用Feedexports
删除重复项
假设在spider中提取到的item有重复的id,那么我们就可以在process_item函数中进行过滤
如:
fromscrapy.exceptionsimportDropItem classDuplicatesPipeline(object): def__init__(self): self.ids_seen=set() defprocess_item(self,item,spider): ifitem['id']inself.ids_seen: raiseDropItem("Duplicateitemfound:%s"%item) else: self.ids_seen.add(item['id']) returnitem
激活ItemPipeline组件
在settings.py文件中,往ITEM_PIPELINES中添加项目管道的类名,就可以激活项目管道组件
如:
ITEM_PIPELINES={ 'myproject.pipeline.PricePipeline':300, 'myproject.pipeline.JsonWriterPipeline':800, }
Theintegervaluesyouassigntoclassesinthissettingdeterminetheordertheyrunin-itemsgothroughpipelinesfromordernumberlowtohigh
整数值通常设置在0-1000之间
总结
以上就是本文关于Python:Scrapy框架中ItemPipeline组件使用详解的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站:
Python使用Scrapy保存控制台信息到文本解析
Python爬虫实例爬取网站搞笑段子
Python爬虫获取整个站点中的所有外部链接代码示例
如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!