Item Pipline介紹

　　對于Item pipline我們前面已經(jīng)簡單的使用過了，更加詳細(xì)的使用本文給大家一一道來。

　　在我們開始學(xué)習(xí)Item Pipline之前，我們還是來看一下下面這張圖。

　　大家可以看到上圖最左側(cè)的就是Item Pipline。Item管道的主要任務(wù)就是負(fù)責(zé)處理有Spider從網(wǎng)頁中抽取的Item，因此Item Pipline的主要任務(wù)就是清洗、驗(yàn)證和存儲數(shù)據(jù)。 當(dāng)頁面被Spider解析后，將被發(fā)送到Item管道，Item Pipline獲取了Items中的數(shù)據(jù)并執(zhí)行對應(yīng)的方法，并決定是否需要在Item管道中繼續(xù)執(zhí)行下一步或是直接丟棄掉不處理。

　　因此對于Item Pipline其主要的作用包括如下:

　　• 清理HTML數(shù)據(jù)。

　　• 驗(yàn)證爬取數(shù)據(jù)，檢查爬取字段。

　　• 查重并丟棄重復(fù)內(nèi)容。

　　• 將爬取結(jié)果保存到數(shù)據(jù)庫。

　　核心方法介紹

　　Item管道主要有4個(gè)方法，分別是：

　　(1)open_spider(spider)

　　(2)close_spider(spider)

　　(3)from_crawler(cls,crawler)

　　(4)process_item(item,spider)

　　open_spider(spider)【參數(shù)spider 即被開啟的Spider對象】

　　是在開啟spider的時(shí)候觸發(fā)的,常用于初始化操作(常見的有：開啟數(shù)據(jù)庫連接,打開文件等)。該方法非必需實(shí)現(xiàn)，可以根據(jù)需求定義。

　　close_spider(spider) 【參數(shù)spider 即被關(guān)閉的Spider對象】

　　是在 Spider 關(guān)閉的時(shí)候自動調(diào)用的，在這里我們可以做一些收尾工作，如關(guān)閉數(shù)據(jù)庫連接等，該方法非必需實(shí)現(xiàn)，可以根據(jù)需求定義。

　　from_crawler(cls,crawler)【參數(shù)一：Class類 參數(shù)二：crawler對象】

　　該方法Spider啟用時(shí)調(diào)用，比open_spider()方法調(diào)用還要早，是一個(gè)類方法，用@classmethod標(biāo)識，是一種依賴注入的方式。它的參數(shù)有crawler，通過crawler對象，我們可以拿到Scrapy的所有核心組件，如全局配置的每個(gè)信息，然后創(chuàng)建一個(gè)Pipeline實(shí)例。參數(shù)cls就是Class，最后返回一個(gè)Class實(shí)例。

　　process_item(item,spider) 【參數(shù)一：被處理的Item對象 參數(shù)二：生成該Item的Spider對象】

　　該方法是必須要實(shí)現(xiàn)的方法，被定義的 Item Pipeline 會默認(rèn)調(diào)用這個(gè)方法對 Item 進(jìn)行處理。比如，我們可以進(jìn)行數(shù)據(jù)處理或者將數(shù)據(jù)寫入到數(shù)據(jù)庫等操作。它必須返回 Item 類型的值或者拋出一個(gè) DropItem 異常。

　　• 如果返回的是 Item 對象，那么此 Item 會接著被低優(yōu)先級的 Item Pipeline 的 process_item () 方法進(jìn)行處理，直到所有的方法被調(diào)用完畢。

　　• 如果拋出的是 DropItem 異常，那么此 Item 就會被丟棄，不再進(jìn)行處理。

　　延伸擴(kuò)展：ImagesPipline

　　爬蟲程序爬取的目標(biāo)通常不僅僅是文字資源，經(jīng)常也會爬取圖片資源。這就涉及如何高效下載圖片的問題。這里高效下載指的是既能把圖片完整下載到本地又不會對網(wǎng)站服務(wù)器造成壓力。此時(shí)你可以不在 pipeline 中自己實(shí)現(xiàn)下載圖片邏輯，可以通過 Scrapy 提供的圖片管道ImagesPipeline，這樣可以更加高效的操作下載圖片。

　　ImagesPipeline 具有以下特點(diǎn)：

　　• 將所有下載的圖片轉(zhuǎn)換成通用的格式(JPG)和模式(RGB)

　　• 避免重新下載最近已經(jīng)下載過的圖片

　　• 縮略圖生成

　　• 檢測圖像的寬/高，確保它們滿足最小限制

　　使用說明：

　　在pipline.py中可以新定義一個(gè)類，比如：xxImagePipline，Scrapy 默認(rèn)生成的類是繼承Object， 要將該類修改為繼承ImagesPipeline。然后實(shí)現(xiàn)get_media_requests和item_completed這兩個(gè)函數(shù)

　　其中，get_media_requests函數(shù)為每個(gè) url 生成一個(gè) Request。而item_completed(self, results, item, info)當(dāng)一個(gè)單獨(dú)項(xiàng)目中的所有圖片請求完成時(shí)，該方法會被調(diào)用。

　　處理結(jié)果會以二元組的方式返回給 item_completed() 函數(shù),即參數(shù)：results。

　　results參數(shù)二元組結(jié)果是：(success, imageinfoorfailure)

　　其中success表示圖片是否下載成功;imageinfoorfailure是一個(gè)字典，包含三個(gè)屬性：

　　url - 圖片下載的url。這是從 getmediarequests() 方法返回請求的url。

　　path - 圖片存儲的路徑(類似 IMAGES_STORE)

　　checksum - 圖片內(nèi)容的 MD5 hash

　　如果需要file_path(request, response=None, info=None)

　　request表示當(dāng)前下載對應(yīng)的request對象(request.dict查看屬性),該方法用來返回文件名

　　response返回的是None

　　info一樣的返回是一個(gè)對象(info.dict查看)

　　同時(shí)需要結(jié)合settings.py的配置進(jìn)行設(shè)置，比如設(shè)置配置存放圖片的路徑以及自定義下載的圖片管道。

　　# 可以避免下載最近已經(jīng)下載的圖片，90天的圖片失效期限

　　IMAGES_EXPIRES = 90

　　IMAGES_STORE = '設(shè)置存放圖片的路徑'

　　# 如果需要也可以設(shè)置縮略圖

　　# IMAGES_THUMBS = {

　　# 'small': (50, 50), # (寬， 高)

　　# 'big': (270, 270),

　　# }

　　# 配置自定義下載的圖片管道， 默認(rèn)是被注釋的

　　ITEM_PIPELINES = {

　　# yourproject.middlewares(文件名).middleware類

　　'項(xiàng)目名.pipelines.xxImagePipeline': 數(shù)值,

　　}

　　并且Scrapy 框架下載圖片會用到這個(gè)Python Imaging Library (PIL)圖片加載庫，所以也要提前安裝好這個(gè)庫。

　　pip install pillow

　　案例

　　本次我們爬取的網(wǎng)站是一個(gè)有很多治愈系圖片的網(wǎng)站，更加重要的是免費(fèi)的。鏈接是：http://www.designerspics.com

　　我們要實(shí)現(xiàn)的在MongoDB中存儲，圖片的名字和下載地址，并將圖片下載到本地。因?yàn)槲覀兦懊娲鎯]有使用過MongoDB或者Redis等非關(guān)系型數(shù)據(jù)庫，所以本次案例我們使用MongoDB存儲。

　　首先新建一個(gè)項(xiàng)目，命令如下：

　　scrapy startproject designerspics

　　接下來新建一個(gè) Spider，命令如下：

　　scrapy genspider designer www.designerspics.com

　　這樣我們就成功創(chuàng)建了一個(gè) Spider。

　　接下來使用PyCharm打開爬蟲項(xiàng)目，開始編寫爬蟲。

　　于是我們的爬蟲代碼就是(當(dāng)然現(xiàn)在爬取的只是第一頁，如果是多頁爬取則需要重寫start_requests(self)方法)：

　　import scrapy

　　from designerspics.items import DesignerspicsItem

　　class DesignerSpider(scrapy.Spider):

　　name = 'designer'

　　allowed_domains = ['www.designerspics.com']

　　start_urls = ['http://www.designerspics.com/']

　　def parse(self, response):

　　title = response.xpath('//div[@class="photograph-wrapper"]/div/h5[1]/text()').extract()

　　image_url = response.xpath('//div[@class="photograph-wrapper"]/div/div/a/img/@src').extract()

　　for index, t in enumerate(title):

　　item = DesignerspicsItem()

　　item['title'] = t[2:]

　　item['image_url'] = image_url[index]

　　yield item

　　如果多頁爬取則可以這樣寫,因?yàn)槊恳豁摰牡刂肥沁@樣的除了第一頁

　　第一頁：http://www.designerspics.com/

　　第二頁：http://www.designerspics.com/page/2/

　　第三頁：http://www.designerspics.com/page/3/

　　...

　　import scrapy

　　from scrapy import Request

　　from designerspics.items import DesignerspicsItem

　　class DesignerSpider(scrapy.Spider):

　　name = 'designer'

　　allowed_domains = ['www.designerspics.com']

　　# start_urls = ['http://www.designerspics.com/']

　　def start_requests(self):

　　# 爬取10頁內(nèi)容

　　for i in range(1, 11):

　　if i == 1:

　　url = "http://www.designerspics.com/"

　　yield Request(url, self.parse)

　　else:

　　url = 'http://www.designerspics.com/page/' + str(i)+"/"

　　yield Request(url, self.parse)

　　def parse(self, response):

　　title = response.xpath('//div[@class="photograph-wrapper"]/div/h5[1]/text()').extract()

　　image_url = response.xpath('//div[@class="photograph-wrapper"]/div/div/a/img/@src').extract()

　　for index, t in enumerate(title):

　　item = DesignerspicsItem()

　　item['title'] = t[2:]

　　item['image_url'] = image_url[index]

　　yield item

　　其中DesignerspicsItem類的代碼如下：

　　import scrapy

　　class DesignerspicsItem(scrapy.Item):

　　# define the fields for your item here like:

　　# name = scrapy.Field()

　　collection = 'designerimages'

　　title = scrapy.Field()

　　image_url = scrapy.Field()

　　此時(shí)開始定義Item Pipline，打開piplines.py文件

　　import pymongo

　　from scrapy import Request

　　from scrapy.exceptions import DropItem

　　from scrapy.pipelines.images import ImagesPipeline

　　class DesignerspicsPipeline:

　　def __init__(self, mongo_uri, mongo_db, mongo_port):

　　self.mongo_uri = mongo_uri

　　self.mongo_db = mongo_db

　　self.mongo_port = mongo_port

　　@classmethod

　　def from_crawler(cls, crawler):

　　return cls(mongo_uri=crawler.settings.get('MONGO_URI'),

　　mongo_db=crawler.settings.get('MONGO_DB'),

　　mongo_port=crawler.settings.get('MONGO_PORT')

　　)

　　def open_spider(self, spider):

　　self.client = pymongo.MongoClient(host=self.mongo_uri, port=self.mongo_port)

　　self.db = self.client[self.mongo_db]

　　def process_item(self, item, spider):

　　self.db[item.collection].insert(dict(item))

　　return item

　　def close_spider(self, spider):

　　self.client.close()

　　class ImagePipeline(ImagesPipeline):

　　def file_path(self, request, response=None, info=None):

　　url = request.url

　　file_name = url.split('/')[-1]

　　return file_name

　　def item_completed(self, results, item, info):

　　image_paths = [x['path'] for ok, x in results if ok]

　　if not image_paths:

　　raise DropItem('Image Downloaded Failed')

　　return item

　　def get_media_requests(self, item, info):

　　yield Request(item['image_url'])

　　此時(shí)需要在settings.py中配置：

　　MONGO_URI = '127.0.0.1'

　　MONGO_DB = 'designerimages'

　　MONGO_PORT = 27017

　　# 需要設(shè)置存儲圖片的路徑

　　IMAGES_STORE = './images'

　　啟動爬蟲：

　　scrapy crawl designer

　　來看一下成果吧!

　　Mongo數(shù)據(jù)庫的數(shù)據(jù)展示一下：

　　下篇預(yù)告：Scrapy分布式，歡迎分享!!!