Конвейер элементов — это метод обработки отбракованных элементов. Когда элемент отправляется в конвейер элементов, он обрабатывается пауком и обрабатывается с использованием нескольких компонентов, которые выполняются последовательно.
Всякий раз, когда предмет получен, он решает одно из следующих действий:
- Продолжайте обрабатывать предмет.
- Брось это из трубопровода.
- Прекратить обработку элемента.
Товаропроводы обычно используются для следующих целей —
- Хранение очищенных элементов в базе данных.
- Если полученный предмет повторяется, он отбрасывает повторяющийся предмет.
- Он проверит, относится ли элемент к целевым полям.
- Очистка данных HTML.
Синтаксис
Вы можете написать Item Pipeline, используя следующий метод —
process_item(self, item, spider)
Вышеуказанный метод содержит следующие параметры:
- Предмет (предметный предмет или словарь) — указывает очищаемый предмет.
- паук (объект паука) — паук, который очистил предмет.
Вы можете использовать дополнительные методы, приведенные в следующей таблице —
Sr.No | Метод и описание | параметры |
---|---|---|
1 |
open_spider ( сам, паук ) Он выбирается при открытии паука. |
паук (объект паука) — относится к открытому пауку. |
2 |
close_spider ( сам, паук ) Выбирается, когда паук закрыт. |
паук (объект паука) — относится к пауку, который был закрыт. |
3 |
from_crawler ( cls, crawler ) С помощью сканера, конвейер может получить доступ к основным компонентам, таким как сигналы и настройки Scrapy. |
crawler (объект Crawler) — относится к сканеру, который использует этот конвейер. |
open_spider ( сам, паук )
Он выбирается при открытии паука.
паук (объект паука) — относится к открытому пауку.
close_spider ( сам, паук )
Выбирается, когда паук закрыт.
паук (объект паука) — относится к пауку, который был закрыт.
from_crawler ( cls, crawler )
С помощью сканера, конвейер может получить доступ к основным компонентам, таким как сигналы и настройки Scrapy.
crawler (объект Crawler) — относится к сканеру, который использует этот конвейер.
пример
Ниже приведены примеры конвейера элементов, используемых в различных концепциях.
Отбрасывание предметов без тега
В следующем коде конвейер балансирует атрибут (цена) для тех товаров, которые не включают НДС (атрибут exclude_vat), и игнорирует те товары, у которых нет ценника.
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)
Запись элементов в файл JSON
Следующий код будет хранить все очищенные элементы от всех пауков в одном файле items.jl , который содержит один элемент на строку в сериализованной форме в формате JSON. Класс JsonWriterPipeline используется в коде, чтобы показать, как писать конвейер элементов —
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
Запись элементов в MongoDB
Вы можете указать адрес и имя базы данных MongoDB в настройках Scrapy, а коллекцию MongoDB можно назвать по имени класса элемента. Следующий код описывает, как использовать метод from_crawler () для правильного сбора ресурсов:
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
Дублирующие фильтры
Фильтр проверит повторяющиеся элементы и отбросит уже обработанные элементы. В следующем коде мы использовали уникальный идентификатор для наших элементов, но spider возвращает много элементов с одинаковым идентификатором —
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
Активация конвейера предметов
Вы можете активировать компонент Item Pipeline, добавив его класс в настройку ITEM_PIPELINES, как показано в следующем коде. Вы можете присваивать целочисленные значения классам в порядке их выполнения (порядок может быть ниже для классов с более высокими значениями), и значения будут находиться в диапазоне 0-1000.