【零基础学爬虫】scrapy中的pipline详解

scrapy中的pipline主要可以用来：

• 清洗爬取到的数据
• 数据去重
• 去除无效数据
• 数据存储

在定义pipline时，只需要定义一个类并实现process_item(self, item, spider)方法，参数中的item就是爬取到的每一个数据对象，spider是爬虫的实例。该方法主要有两种返回值：

• item对象
• DropItem 异常：即抛弃当前的item

---

另外，在自定义的类中还可以实现下面几个方法：

• open_spider(self, spider)：当spider打开的时候该方法会被调用
• close_spider(self, spider)：当spider关闭的时候该方法会被调用
• from_crawler(cls, crawler)：当创建一个pipline实例的时候该方法会被调用，该方法必须返回一个pipline实例对象，一般用于获取scrapy项目的配置setting中配置的值

自定义pipline

1.数据清洗加工pipline实例

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)

如果价格信息没有缺失的话就进行一些操作，更新该值；否则直接丢弃该item

2.将数据保存到jsonline文件

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

3.将数据写到mongdb数据库
MongoDB 的URI和数据库名字都配置在Scrapy项目的 settings文件中;

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  # 依旧需要返回item

4.数据去重

from scrapy.exceptions import DropItem

class 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

pipline的使用

写好pipline后我们需要使pipline生效，我们需要把pipline类配置到setting文件中：

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

后面的300、800表示的是优先级，数字值越小，优先级越高，优先级高的pipline优先被调用

---

另外，scrapy中还有middleware的概念，它主要是用来操作request和response的，例如配置代理：

有关middleware的详细介绍可以查看官网的介绍

---

扫描下方二维码，及时获取更多互联网求职面经、java、python、爬虫、大数据等技术，和海量资料分享：
公众号菜鸟名企梦后台发送“csdn”即可免费领取【csdn】和【百度文库】下载服务；
公众号菜鸟名企梦后台发送“资料”:即可领取5T精品学习资料、java面试考点和java面经总结，以及几十个java、大数据项目，资料很全，你想找的几乎都有

扫码关注，及时获取更多精彩内容。（博主今日头条大数据工程师）