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:
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
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()
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)
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
错误,在 itcast.py 文件上添加下面代码指定编码格式:
- UnicodeEncodeError: 'ascii' codec can't encode characters
- import sys
- reload(sys)
- sys.setdefaultencoding('utf-8')
来源: http://www.bubuko.com/infodetail-1970597.html