📅  最后修改于: 2020-10-31 14:34:41             🧑  作者: Mango
物料管道是一种处理报废物料的方法。将项目发送到项目管道时,它会被蜘蛛抓取并使用多个组件进行处理,这些组件将按顺序执行。
每当收到项目时,它都会决定以下任一操作-
物料管道通常用于以下目的-
您可以使用以下方法编写项目管道-
process_item(self, item, spider)
上面的方法包含以下参数-
您可以使用下表中给出的其他方法-
Sr.No | Method & Description | Parameters |
---|---|---|
1 |
open_spider(self, spider) It is selected when spider is opened. |
spider (spider object) − It refers to the spider which was opened. |
2 |
close_spider(self, spider) It is selected when spider is closed. |
spider (spider object) − It refers to the spider which was closed. |
3 |
from_crawler(cls, crawler) With the help of crawler, the pipeline can access the core components such as signals and settings of Scrapy. |
crawler (Crawler object) − It refers to the crawler that uses this pipeline. |
以下是在不同概念中使用的项目管道的示例。
在以下代码中,管道为那些不包含增值税的商品平衡了(price)属性(excludes_vat属性),并忽略了那些没有价格标签的商品-
from Scrapy.exceptions import DropItem
class PricePipeline(object):
vat = 2.25
def process_item(self, item, spider):
if item['price']:
if item['excludes_vat']:
item['price'] = item['price'] * self.vat
return item
else:
raise DropItem("Missing price in %s" % item)
以下代码会将所有蜘蛛中的所有已擦除项目存储到单个item.jl文件中,该文件每行在JSON格式的序列化表格中包含一个项目。代码中使用了JsonWriterPipeline类来显示如何编写项目管道-
import json
class JsonWriterPipeline(object):
def __init__(self):
self.file = open('items.jl', 'wb')
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
您可以在Scrapy设置中指定MongoDB地址和数据库名称,并且MongoDB集合可以以item类命名。以下代码描述了如何使用from_crawler()方法正确收集资源-
import pymongo
class MongoPipeline(object):
collection_name = 'Scrapy_list'
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_DB', 'lists')
)
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(dict(item))
return item
过滤器将检查重复的项目,并将其删除已处理的项目。在以下代码中,我们为商品使用了唯一的ID,但是Spider返回了许多具有相同ID的商品-
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("Repeated items found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
您可以通过将项目管道组件的类添加到ITEM_PIPELINES设置中来激活它,如以下代码所示。您可以按照整数的运行顺序将整数值分配给这些类(该值可以从较低的值到较高的值的类),并且值将在0-1000范围内。
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 100,
'myproject.pipelines.JsonWriterPipeline': 600,
}