scrapy项目管道

在一个项目被蜘蛛抓取后，它被发送到项目管道，该项目管道通过顺序执行的几个组件处理它。

每个项目管道组件（有时简称为“项目管道”）是一个实现简单方法的Python类。他们收到一个项目并对其执行操作，同时决定该项目是否应继续通过管道或被丢弃并且不再处理。

项目管道的典型用途是：

• 清理HTML数据
• 验证已删除的数据（检查项目是否包含某些字段）
• 检查重复项（并删除它们）
• 将已删除的项目存储在数据库中

编写自己的项目管道 

每个项管道组件都是一个必须实现以下方法的Python类：

process_item（自我，项目，蜘蛛）
为每个项目管道组件调用此方法。process_item() 必须：返回包含数据的dict，返回Item （或任何后代类）对象，返回Twisted Deferred或引发 DropItem异常。丢弃的项目不再由其他管道组件处理。

参数：    
item（Item对象或dict） - 项目被刮掉
蜘蛛（Spider物体） - 刮掉物品的蜘蛛

此外，他们还可以实现以下方法：

open_spider（自我，蜘蛛）
打开蜘蛛时会调用此方法。

参数：    蜘蛛（Spider物体） - 被打开的蜘蛛
close_spider（自我，蜘蛛）
当蜘蛛关闭时调用此方法。

参数：    蜘蛛（Spider物体） - 被关闭的蜘蛛
from_crawler（cls，crawler ）
如果存在，则调用此类方法以从a创建管道实例Crawler。它必须返回管道的新实例。Crawler对象提供对所有Scrapy核心组件的访问，如设置和信号; 它是管道访问它们并将其功能挂钩到Scrapy的一种方式。

参数：    crawler（Crawlerobject） - 使用此管道的爬网程序

将项目写入JSON文件
以下管道将所有已删除的项目（来自所有蜘蛛）存储到一个items.jl文件中，每行包含一个以JSON格式序列化的项目：

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

此示例演示如何从方法返回Deferredprocess_item()。它使用Splash渲染项目URL的屏幕截图。Pipeline向本地运行的Splash实例发出请求。下载请求并延迟回调激活后，它会将项目保存到文件并将文件名添加到项目中。

import scrapy
import hashlib
from urllib.parse import quote


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

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

    def process_item(self, item, spider):
        encoded_item_url = quote(item["url"])
        screenshot_url = self.SPLASH_URL.format(encoded_item_url)
        request = scrapy.Request(screenshot_url)
        dfd = spider.crawler.engine.download(request, spider)
        dfd.addBoth(self.return_item, item)
        return dfd

    def return_item(self, response, item):
        if response.status != 200:
            # Error happened, return item.
            return item

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

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