爬虫框架Scrapy之Item Pipeline
2017-03-07 14:45
417 查看
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是丢弃而存储。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item pipeline很简单,item pipiline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,存储到一个独立地items.json 文件,每行包含一个序列化为'JSON'格式的'item':import json class ItcastJsonPipeline(object): def __init__(self): self.file = open('teacher.json', 'wb') def process_item(self, item, spider): 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组件
为了启用Item Pipeline组件,必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置,就像下面这个例子:# Configure item pipelines # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html ITEM_PIPELINES = { #'mySpider.pipelines.SomePipeline': 300, "mySpider.pipelines.ItcastJsonPipeline":300 }
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,数值越低,组件的优先级越高)
重新启动爬虫
将parse()方法改为4.2中最后思考中的代码,然后执行下面的命令:scrapy crawl itcast
查看当前目录是否生成teacher.json
如果报
UnicodeEncodeError: 'ascii' codec can't encode characters错误,在itcast.py文件上添加下面代码指定编码格式:
import sys reload(sys) sys.setdefaultencoding('utf-8')
相关文章推荐
- Python爬虫从入门到放弃(十六)之 Scrapy框架中Item Pipeline用法
- Python爬虫从入门到放弃(十六)之 Scrapy框架中Item Pipeline用法
- Scrapy框架学习(二)----Item Pipeline(管道)和Scrapy Shell
- scrapy爬虫之Item Pipeline
- Python:Scrapy框架中Item Pipeline组件(项目管道组件)的使用教程
- scrapy爬虫之item pipeline保存数据
- Python:Scrapy框架中Item Pipeline组件使用详解
- Python爬虫框架Scrapy 学习笔记 7------- scrapy.Item源码剖析
- Python的爬虫框架 Scrapy
- 【Python爬虫8】Scrapy 爬虫框架
- Python爬虫框架Scrapy学习一记——认识Scrapy
- Python爬虫进阶三之Scrapy框架安装配置
- win7安装python爬虫框架scrapy全纪录
- 安装Twisted、Scrapy爬虫框架
- 利用scrapy框架进行爬虫
- [Python]网络爬虫(11):亮剑!爬虫框架小抓抓Scrapy闪亮登场!
- 一个scrapy框架的爬虫(爬取京东图书)
- python爬虫框架scarpy之AttributeError: module 'scrapy' has no attribute 'spider'
- Python:使用Scrapy框架的ImagesPipeline下载图片如何保持原图片名称呢?