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。