爬虫框架Scrapy之Item Pipeline
来源:互联网 发布:喝酒的好处知乎 编辑:程序博客网 时间:2024/05/18 00:14
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 somethingclass 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 jsonclass 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.htmlITEM_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 sysreload(sys)sys.setdefaultencoding('utf-8')
0 0
- 爬虫框架Scrapy之Item Pipeline
- scrapy爬虫之Item Pipeline
- 爬虫Scrapy-04Item Pipeline
- Python爬虫从入门到放弃(十六)之 Scrapy框架中Item Pipeline用法
- scrapy爬虫之Image Pipeline
- Scrapy爬虫入门教程九 Item Pipeline(项目管道)
- scrapy 的 item pipeline
- Scrapy框架学习(二)----Item Pipeline(管道)和Scrapy Shell
- 爬虫实践之爬虫框架Scrapy安装
- Python爬虫之Scrapy爬虫框架
- Python:Scrapy框架中Item Pipeline组件(项目管道组件)的使用教程
- Scrapy笔记(6)- Item Pipeline
- Scrapy学习笔记VII--Item Pipeline
- Scrapy-Item Pipeline(项目管道)
- Python爬虫框架Scrapy实战之安装
- python爬虫之scrapy框架(一)
- Python爬虫之Scrapy框架安装
- Python爬虫之Scrapy框架入门1
- 代码笔记:caffe-reid中caffe_train.sh的解释
- Nginx 关闭防火墙
- Java 内存区域和GC机制
- caffe之均值文件
- 同步类容器和并发类容器的应用
- 爬虫框架Scrapy之Item Pipeline
- 在Java中使用Date的一些提示
- ELF文件结构详解
- FreeMarker Error : left-hand operand: Expected a hash, but this evaluated to a sequence
- python单元测试常用方法
- JQ笔记(jquery + ajax 入门)
- 论文总结(二)—图像复原
- PAT A除以B
- Unity3D笔记(一)基础知识学习笔记