Scarpy源码分析11 Item Pipeline Ⅱ

最新推荐文章于 2024-09-10 19:37:49 发布

原创最新推荐文章于 2024-09-10 19:37:49 发布 · 723 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python

2021SC@SDUSC 专栏收录该内容

20 篇文章

订阅专栏

本文介绍如何使用Scrapy的Pipeline将抓取的项目存储到MongoDB，并演示了JSON文件存储和去除重复项的方法。同时，展示了如何在process_item()中运用协程处理屏幕截图任务。

2021SC@SDUSC

此外，pipeline还支持我们将项目写入 JSON 文件，我这里写一个简单的demo：

import json

from itemadapter import ItemAdapter

class JsonWriterPipeline:

    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(ItemAdapter(item).asdict()) + "\n"
        self.file.write(line)
        return item

上面的那个管道将所有抓取的项目（来自所有爬虫）存储到单个 items.jl 文件中，每行包含一个以 JSON 格式序列化的项目。

小note：我上面写的小demo 的目的只是探讨如何编写项目管道。如果实际情况下真的想将所有抓取的项目存储到 JSON 文件中，事实上我们应该使用 Feed 导出。

将项目写入 MongoDB

import pymongo
from itemadapter import ItemAdapter

class MongoPipeline:

    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(ItemAdapter(item).asdict())
        return item

在本例中，我用 pymongo 将项目写入 MongoDB。 MongoDB地址和数据库名称在Scrapy设置中指定； MongoDB 集合以项目类命名。

当然了，参考官方文档的说明，重点是探索如何使用 from_crawler() 方法以及如何正确清理资源。

如何在 process_item() 方法中使用coroutine syntax 。

此项目管道向本地运行的 Splash 实例发出请求，以呈现项目 URL 的屏幕截图。下载请求响应后，项目管道将屏幕截图保存到文件中，并将文件名添加到项目中。

import hashlib
from urllib.parse import quote

import scrapy
from itemadapter import ItemAdapter

class ScreenshotPipeline:
    """Pipeline that uses Splash to render screenshot of
    every Scrapy item."""

    SPLASH_URL = "http://localhost:8050/render.png?url={}"

    async def process_item(self, item, spider):
        adapter = ItemAdapter(item)
        encoded_item_url = quote(adapter["url"])
        screenshot_url = self.SPLASH_URL.format(encoded_item_url)
        request = scrapy.Request(screenshot_url)
        response = await spider.crawler.engine.download(request, spider)

        if response.status != 200:
            # Error happened, return item.
            return item

        # Save screenshot to file, filename will be hash of url.
        url = adapter["url"]
        url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
        filename = f"{url_hash}.png"
        with open(filename, "wb") as f:
            f.write(response.body)

        # Store filename in item.
        adapter["screenshot_filename"] = filename
        return item

重复过滤器：
查找重复项并删除那些已处理的项的过滤器。假设我们的项目有一个唯一的 id，但我们的爬虫返回多个具有相同 id 的项目：

from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem

class DuplicatesPipeline:

    def __init__(self):
        self.ids_seen = set()

    def process_item(self, item, spider):
        adapter = ItemAdapter(item)
        if adapter['id'] in self.ids_seen:
            raise DropItem(f"Duplicate item found: {item!r}")
        else:
            self.ids_seen.add(adapter['id'])
            return item

最后：激活项目管道组件
要激活 Item Pipeline 组件，须将其类添加到 ITEM_PIPELINES 设置中：

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