Scrapy框架----- Item Pipeline

Item Pipeline

当Item在Spider中被收集以后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

每一个Item Pipeline都是实现了简单方法的Python类，好比决定此Item是丢弃而存储。如下是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，好比说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，作参数初始化等 # 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，每一个item pipeline组件都须要调用该方法， # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被以后的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 

完善以前的案例：

item写入JSON文件

如下pipeline将全部(从全部'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 } 

分配给每一个类的整型值，肯定了他们运行的顺序，item按数字从低到高的顺序，经过pipeline，一般将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

从新启动爬虫

将parse()方法改成4.2中最后思考中的代码，而后执行下面的命令：

scrapy crawl itcast

查看当前目录是否生成teacher.json