# 項目管道
> 譯者:[OSGeo 中國](https://www.osgeo.cn/)
在一個項目被 Spider 抓取之后,它被發送到項目管道,該管道通過幾個按順序執行的組件來處理它。
每個項管道組件(有時稱為“項管道”)都是一個實現簡單方法的Python類。它們接收一個項目并對其執行操作,還決定該項目是否應繼續通過管道,或者是否應刪除并不再處理。
項目管道的典型用途有:
* 清理HTML數據
* 驗證抓取的數據(檢查項目是否包含某些字段)
* 檢查重復項(并刪除它們)
* 將刮下的項目存儲在數據庫中
## 編寫自己的項目管道
每個item pipeline組件都是一個python類,必須實現以下方法:
```py
process_item(self, item, spider)
```
對每個項管道組件調用此方法。 [`process_item()`](#process_item "process_item") 必須:返回包含數據的dict,返回 [`Item`](items.html#scrapy.item.Item "scrapy.item.Item") (或任何后代類)對象,返回 [Twisted Deferred](https://twistedmatrix.com/documents/current/core/howto/defer.html) or raise [`DropItem`](exceptions.html#scrapy.exceptions.DropItem "scrapy.exceptions.DropItem") 例外。刪除的項不再由其他管道組件處理。
| 參數: |
* **item** ([`Item`](items.html#scrapy.item.Item "scrapy.item.Item") object or a dict) -- 物品被刮掉了
* **spider** ([`Spider`](spiders.html#scrapy.spiders.Spider "scrapy.spiders.Spider") object) -- 刮掉物品的 Spider
|
| --- | --- |
此外,它們還可以實現以下方法:
```py
open_spider(self, spider)
```
當spider打開時調用此方法。
| 參數: | **spider** ([`Spider`](spiders.html#scrapy.spiders.Spider "scrapy.spiders.Spider") object) -- 打開的 Spider |
| --- | --- |
```py
close_spider(self, spider)
```
當spider關閉時調用此方法。
| 參數: | **spider** ([`Spider`](spiders.html#scrapy.spiders.Spider "scrapy.spiders.Spider") object) -- 關閉的 Spider |
| --- | --- |
```py
from_crawler(cls, crawler)
```
如果存在,則調用此ClassMethod從 [`Crawler`](api.html#scrapy.crawler.Crawler "scrapy.crawler.Crawler") . 它必須返回管道的新實例。爬蟲對象提供對所有零碎核心組件(如設置和信號)的訪問;它是管道訪問它們并將其功能連接到零碎的一種方式。
| 參數: | **crawler** ([`Crawler`](api.html#scrapy.crawler.Crawler "scrapy.crawler.Crawler") object) -- 使用此管道的爬蟲程序 |
| --- | --- |
## 項目管道示例
### 無價格的價格驗證和刪除項目
讓我們看看下面的假設管道,它調整了 `price` 不包括增值稅的項目的屬性( `price_excludes_vat` 屬性),并刪除不包含價格的項目:
```py
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item.get('price'):
if item.get('price_excludes_vat'):
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
```
### 將項目寫入JSON文件
下面的管道將所有刮掉的項目(從所有 Spider )存儲到一個單獨的管道中 `items.jl` 文件,每行包含一個以JSON格式序列化的項:
```py
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
```
注解
jsonWriterPipeline的目的只是介紹如何編寫項管道。如果您真的想將所有的抓取項存儲到JSON文件中,那么應該使用 [Feed exports](feed-exports.html#topics-feed-exports) .
### 將項目寫入MongoDB
在本例中,我們將使用pymongo_uu將項目寫入mongodb_u。在Scrapy設置中指定MongoDB地址和數據庫名稱;MongoDB集合以item類命名。
這個例子的要點是演示如何使用 [`from_crawler()`](#from_crawler "from_crawler") 方法和如何正確清理資源。::
```py
import pymongo
class MongoPipeline(object):
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(dict(item))
return item
```
### 項目截圖
這個例子演示了如何返回延遲的 [`process_item()`](#process_item "process_item") 方法。它使用splash_u呈現項目url的屏幕截圖。管道向本地運行的splash_uuu實例發出請求。在下載請求并觸發延遲回調之后,它將項目保存到文件中,并將文件名添加到項目中。
```py
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
```
### 重復篩選器
查找重復項并刪除已處理的項的篩選器。假設我們的項目有一個唯一的ID,但是我們的spider返回具有相同ID的多個項目:
```py
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("Duplicate item found: %s" % item)
else:
self.ids_seen.add(item['id'])
return item
```
## 激活項目管道組件
若要激活項管道組件,必須將其類添加到 [`ITEM_PIPELINES`](settings.html#std:setting-ITEM_PIPELINES) 設置,如以下示例中所示:
```py
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}
```
在此設置中分配給類的整數值決定了它們的運行順序:項從低值類傳遞到高值類。習慣上把這些數字定義在0-1000范圍內。
- 簡介
- 第一步
- Scrapy at a glance
- 安裝指南
- Scrapy 教程
- 實例
- 基本概念
- 命令行工具
- Spider
- 選擇器
- 項目
- 項目加載器
- Scrapy shell
- 項目管道
- Feed 導出
- 請求和響應
- 鏈接提取器
- 設置
- 例外情況
- 內置服務
- Logging
- 統計數據集合
- 發送電子郵件
- 遠程登錄控制臺
- Web服務
- 解決具體問題
- 常見問題
- 調試spiders
- Spider 合約
- 常用做法
- 通用爬蟲
- 使用瀏覽器的開發人員工具進行抓取
- 調試內存泄漏
- 下載和處理文件和圖像
- 部署 Spider
- AutoThrottle 擴展
- Benchmarking
- 作業:暫停和恢復爬行
- 延伸 Scrapy
- 體系結構概述
- 下載器中間件
- Spider 中間件
- 擴展
- 核心API
- 信號
- 條目導出器
- 其余所有
- 發行說明
- 為 Scrapy 貢獻
- 版本控制和API穩定性