Python爬虫Scrapy(四)_Item Pipeline

本篇主要介绍Item Pipeline组件使用，更多内容请参考：Python学习指南

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃还是存储。以下是item pipeline的一些典型应用：

• 验证爬取的数据(检查item包含某些字段，比如说name字段)
• 查重(并丢弃)
• 将爬取结果保存到文件或者数据库中。

编写item pipeline

编写简单item pipeline很简单，item pipeline组件是一个独立的Python类，其中process_item()方法必须实现：

import something

class SomethingPipeline(object):
    def __init__(self):    
        # 可选实现，做参数初始化等
        # doing something

    def process_item(self, item, spider):
        # item (Item 对象) – 被爬取的item
        # spider (Spider 对象) – 爬取该item的spider
        # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
        # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
        return item

    def open_spider(self, spider):
        # spider (Spider 对象) – 被开启的spider
        # 可选实现，当spider被开启时，这个方法被调用。

    def close_spider(self, spider):
        # spider (Spider 对象) – 被关闭的spider
        # 可选实现，当spider被关闭时，这个方法被调用

完善之前的案例：

item写入JSON文件

以下pipeline将所有(从所有"spider"中)爬取到的item，存储到一个独立的items.json文件中，每行包含一个序列化为'JSON'格式的'item':

class  CnblogJsonPipeline(object):
    def __init__(self):
        self.file = open("cnblogs.json", 'w')

    def process_item(self, item, spider):
        print('cnblog json')
        content = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(content)
        return item

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

启用一个Item Pipeline插件

为了启用Item Pipeline组件，必须将它的类添加到settings.py文件中ITEM_PIPELINES设置，就像下面这个例子：

ITEM_PIPELINES = {
    'cnblogSpider.pipelines.CnblogJsonPipeline':10,
}

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0~1000范围内(0-1000随意设置，数值月底，组件的优先级越高)

重新启动爬虫

将parse方法添加yield

def parse(self, response):
        # print(response.body)
        # filename = "cnblog.html"
        # with open(filename, 'w') as f:
        #     f.write(response.body)

        #存放博客的集合
        items = []

        for each in response.xpath(".//*[@class='day']"):
            item = CnblogspiderItem()
            url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
            title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
            time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
            content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]

            item['url'] = url
            item['title'] = title
            item['time'] = time
            print(content)
            item['content'] = content
            
            yield item

        next_page = response.selector.re(u'<a href="(\S*)">下一页</a>')
        if next_page:
            yield scrapy.Request(url=next_page[0], callback=self.parse)
            # items.append(item)

启动如下命令：

scrapy crawl cnblog

查看当前目录是否生成cnblogs.json

注意：上面案例有个问题，你会发现解析出的博客数量与实际的博客数量不一致，你能否看出问题？欢迎对我的博客提出批评，致谢。