當Item 在Spider中被收集之后，就會被傳遞到Item Pipeline中進行處理
每個item pipeline組件是實現(xiàn)了簡單的方法的python類，負責接收到item并通過它執(zhí)行一些行為，同時也決定此Item是否繼續(xù)通過pipeline,或者被丟棄而不再進行處理
item pipeline的主要作用：
清理html數(shù)據(jù)
驗證爬取的數(shù)據(jù)
去重并丟棄
講爬取的結(jié)果保存到數(shù)據(jù)庫中或文件中
編寫自己的item pipeline
process_item(self,item,spider)
每個item piple組件是一個獨立的pyhton類，必須實現(xiàn)以process_item(self,item,spider)方法
每個item pipeline組件都需要調(diào)用該方法，這個方法必須返回一個具有數(shù)據(jù)的dict,或者item對象，或者拋出DropItem異常，被丟棄的item將不會被之后的pipeline組件所處理
下面的方法也可以選擇實現(xiàn)
open_spider(self,spider)
表示當spider被開啟的時候調(diào)用這個方法
close_spider(self,spider)
當spider掛去年比時候這個方法被調(diào)用
from_crawler(cls,crawler)
這個和我們在前面說spider的時候的用法是一樣的，可以用于獲取settings配置文件中的信息，需要注意的這個是一個類方法，用法例子如下：
一些item pipeline的使用例子（官網(wǎng)說明）
例子1
這個例子實現(xiàn)的是判斷item中是否包含price以及price_excludes_vat，如果存在則調(diào)整了price屬性，都讓item['price'] = item['price'] * self.vat_factor，如果不存在則返回DropItem
from scrapy.exceptions import DropItemclass PricePipeline(object):
vat_factor = 1.15 def process_item(self, item, spider): if item['price']: if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor return item else: raise DropItem("Missing price in %s" % item)
例子2
這個例子是將item寫入到j(luò)son文件中
import jsonclass 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
例子3
將item寫入到MongoDB，同時這里演示了from_crawler的用法
import pymongoclass 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(dict(item)) return item
例子4：去重
一個用于去重的過濾器，丟棄那些已經(jīng)被處理過的item,假設(shè)item有一個唯一的id，但是我們spider返回的多個item中包含了相同的id,去重方法如下：這里初始化了一個集合，每次判斷id是否在集合中已經(jīng)存在，從而做到去重的功能
from scrapy.exceptions import DropItemclass DuplicatesPipeline(object): def __init__(self):
self.ids_seen = set() def process_item(self, item, spider): if item['id'] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else:
self.ids_seen.add(item['id']) return item
啟用一個item Pipeline組件
在settings配置文件中y9ou一個ITEM_PIPELINES的配置參數(shù)，例子如下：
ITEM_PIPELINES = { 'myproject.pipelines.PricePipeline': 300, 'myproject.pipelines.JsonWriterPipeline': 800,
}每個pipeline后面有一個數(shù)值，這個數(shù)組的范圍是0-1000，這個數(shù)值確定了他們的運行順序，數(shù)字越小越優(yōu)先
所有的努力都值得期許，每一份夢想都應(yīng)該灌溉！
當Item 在Spider中被收集之后，就會被傳遞到Item Pipeline中進行處理
每個item pipeline組件是實現(xiàn)了簡單的方法的python類，負責接收到item并通過它執(zhí)行一些行為，同時也決定此Item是否繼續(xù)通過pipeline,或者被丟棄而不再進行處理
item pipeline的主要作用：
清理html數(shù)據(jù)
驗證爬取的數(shù)據(jù)
去重并丟棄
講爬取的結(jié)果保存到數(shù)據(jù)庫中或文件中
編寫自己的item pipeline
process_item(self,item,spider)
每個item piple組件是一個獨立的pyhton類，必須實現(xiàn)以process_item(self,item,spider)方法
每個item pipeline組件都需要調(diào)用該方法，這個方法必須返回一個具有數(shù)據(jù)的dict,或者item對象，或者拋出DropItem異常，被丟棄的item將不會被之后的pipeline組件所處理
下面的方法也可以選擇實現(xiàn)
open_spider(self,spider)
表示當spider被開啟的時候調(diào)用這個方法
close_spider(self,spider)
當spider掛去年比時候這個方法被調(diào)用
from_crawler(cls,crawler)
這個和我們在前面說spider的時候的用法是一樣的，可以用于獲取settings配置文件中的信息，需要注意的這個是一個類方法，用法例子如下：
一些item pipeline的使用例子（官網(wǎng)說明）
例子1
這個例子實現(xiàn)的是判斷item中是否包含price以及price_excludes_vat，如果存在則調(diào)整了price屬性，都讓item['price'] = item['price'] * self.vat_factor，如果不存在則返回DropItem
from scrapy.exceptions import DropItemclass PricePipeline(object):
vat_factor = 1.15 def process_item(self, item, spider): if item['price']: if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor return item else: raise DropItem("Missing price in %s" % item)
例子2
這個例子是將item寫入到j(luò)son文件中
import jsonclass 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
例子3
將item寫入到MongoDB，同時這里演示了from_crawler的用法
import pymongoclass 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(dict(item)) return item
例子4：去重
一個用于去重的過濾器，丟棄那些已經(jīng)被處理過的item,假設(shè)item有一個唯一的id，但是我們spider返回的多個item中包含了相同的id,去重方法如下：這里初始化了一個集合，每次判斷id是否在集合中已經(jīng)存在，從而做到去重的功能
from scrapy.exceptions import DropItemclass DuplicatesPipeline(object): def __init__(self):
self.ids_seen = set() def process_item(self, item, spider): if item['id'] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else:
self.ids_seen.add(item['id']) return item
啟用一個item Pipeline組件
在settings配置文件中y9ou一個ITEM_PIPELINES的配置參數(shù)，例子如下：
ITEM_PIPELINES = { 'myproject.pipelines.PricePipeline': 300, 'myproject.pipelines.JsonWriterPipeline': 800,
}每個pipeline后面有一個數(shù)值，這個數(shù)組的范圍是0-1000，這個數(shù)值確定了他們的運行順序，數(shù)字越小越優(yōu)先
所有的努力都值得期許，每一份夢想都應(yīng)該灌溉！
當Item 在Spider中被收集之后，就會被傳遞到Item Pipeline中進行處理
每個item pipeline組件是實現(xiàn)了簡單的方法的python類，負責接收到item并通過它執(zhí)行一些行為，同時也決定此Item是否繼續(xù)通過pipeline,或者被丟棄而不再進行處理
item pipeline的主要作用：
清理html數(shù)據(jù)
驗證爬取的數(shù)據(jù)
去重并丟棄
講爬取的結(jié)果保存到數(shù)據(jù)庫中或文件中
編寫自己的item pipeline
process_item(self,item,spider)
每個item piple組件是一個獨立的pyhton類，必須實現(xiàn)以process_item(self,item,spider)方法
每個item pipeline組件都需要調(diào)用該方法，這個方法必須返回一個具有數(shù)據(jù)的dict,或者item對象，或者拋出DropItem異常，被丟棄的item將不會被之后的pipeline組件所處理
下面的方法也可以選擇實現(xiàn)
open_spider(self,spider)
表示當spider被開啟的時候調(diào)用這個方法
close_spider(self,spider)
當spider掛去年比時候這個方法被調(diào)用
from_crawler(cls,crawler)
這個和我們在前面說spider的時候的用法是一樣的，可以用于獲取settings配置文件中的信息，需要注意的這個是一個類方法，用法例子如下：
一些item pipeline的使用例子（官網(wǎng)說明）
例子1
這個例子實現(xiàn)的是判斷item中是否包含price以及price_excludes_vat，如果存在則調(diào)整了price屬性，都讓item['price'] = item['price'] * self.vat_factor，如果不存在則返回DropItem
from scrapy.exceptions import DropItemclass PricePipeline(object):
vat_factor = 1.15 def process_item(self, item, spider): if item['price']: if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor return item else: raise DropItem("Missing price in %s" % item)
例子2
這個例子是將item寫入到j(luò)son文件中
import jsonclass 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
例子3
將item寫入到MongoDB，同時這里演示了from_crawler的用法
import pymongoclass 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(dict(item)) return item
例子4：去重
一個用于去重的過濾器，丟棄那些已經(jīng)被處理過的item,假設(shè)item有一個唯一的id，但是我們spider返回的多個item中包含了相同的id,去重方法如下：這里初始化了一個集合，每次判斷id是否在集合中已經(jīng)存在，從而做到去重的功能
from scrapy.exceptions import DropItemclass DuplicatesPipeline(object): def __init__(self):
self.ids_seen = set() def process_item(self, item, spider): if item['id'] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else:
self.ids_seen.add(item['id']) return item
啟用一個item Pipeline組件
在settings配置文件中y9ou一個ITEM_PIPELINES的配置參數(shù)，例子如下：
ITEM_PIPELINES = { 'myproject.pipelines.PricePipeline': 300, 'myproject.pipelines.JsonWriterPipeline': 800,
}每個pipeline后面有一個數(shù)值，這個數(shù)組的范圍是0-1000，這個數(shù)值確定了他們的運行順序，數(shù)字越小越優(yōu)先
所有的努力都值得期許，每一份夢想都應(yīng)該灌溉！
http://www.cnblogs.com/zhaof/p/7196197.html
延伸閱讀
- 第一次在團隊中擔當組織者 2023-04-15
- 從0到0.5，堅持學習 2022-09-08
- 未來很長，就從這里，“碼”上開始吧 2022-07-12
- 命名過程中的趣事 2022-07-12
- 在有限中追求無限的可能 2022-06-26
- 未來很長，就從這里，“碼”上開始吧 2021-06-01
- 從今天開始改變自我 2021-05-19
- 潛移默化中提高自己的編程能力 2021-05-19
- 我人生中第一份工作 2019-11-06
- 從項目實訓中學到的——王*全 2019-10-28
第一次在團隊中擔當組織者