scrapy框架之item pipeline的使用

一、关于scrapy中pipleline的基本认识

Item Pipeline又称之为管道,顾名思义就是对数据的过滤处理,其主要的作用包括如下:

• 清理HTML数据。
• 验证爬取数据，检查爬取字段。
• 查重并丢弃重复内容。
• 将爬取结果保存到数据库。

二、几个核心的方法

创建一个项目的时候都会自带pipeline其中就实现了process_item(item, spider)方法

• 1、open_spider(spider)就是打开spider时候调用的
• 2、close_spider(spider)关闭spider时候调用
• 3、from_crawler(cls, crawler)一般用来从settings.py中获取常量的
• 4、process_item(item, spider)是必须实现的,别的都是选用的

三、几个常用方法的介绍

• 1、process_item(item, spider)参数介绍
  
  • item是要处理的item对象
  • spider当前要处理的spider对象
• 2、process_item(item, spider)返回值
  
  • 返回item就会继续给优先级低的item pipeline二次处理
  • 如果直接抛出DropItem的异常就直接丢弃该item
• 3、open_spider(spider)是在开启spider的时候触发的,常用于初始化操作(常见开启数据库连接,打开文件)
• 4、close_spider(spider)是在关闭spider的时候触发的,常用于关闭数据库连接
• 5、from_crawler(cls, crawler)是一个类方法(需要使用@classmethod装饰器标识),常用于从settings.py获取配置信息

关于上面几个方法的使用情况可以参考传送门

四、使用item pipeline爬取网上图片下载到本地介绍

Scrapy提供了专门处理下载的Pipeline，包括文件下载和图片下载。下载文件和图片的原理与抓取页面的原理一样，因此下载过程支持异步和多线程，下载十分高效。下面我们来看看具体的实现过程。官方文档

• 基本原理

内置ImagesPipeline会默认读取item中图片的url字段,并加入队列中,然后取出没一个url进行图片的下载

五、实现下载图片到本地

• 1、需要抓取的网页图片https://image.so.com/z?ch=photography,是返回的json,所以我们要抓取的是json数据

• 2、搭建一个项目

  
  # 创建一个项目
  
  scrapy startproject images360
  
  # 创建一只爬虫
  
  scrapy genspider images images.so.com
  
  # 在配置文件中设置
  
  ROBOTSTXT_OBEY = False
  
  # 设置编码
  
  FEED_EXPORT_ENCODING = 'utf-8'
  
  # 关闭cookie
  
  COOKIES_ENABLED = False
  
  # 配置图片存储位置
  
  IMAGES_STORE = './images'

• 3、管道的书写

  from scrapy import Request
  from scrapy.exceptions import DropItem
  from scrapy.pipelines.images import ImagesPipeline
  
  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['url'])

• 4、上面方法的介绍

  • 4.1、继承了ImagePipeline(ImagePipeline是scrapy内置)

  • 4.2、get_media_requests(item, info)

    • item参数是爬取生成的item对象,从中提取url字段,然后加入到调用队列中,等待下载。

    • info看源码也没解释,打印出来的是

      <scrapy.pipelines.media.MediaPipeline.SpiderInfo object at 0x110e501d0>

  • 4.3、file_path(request, response=None, info=None)
    
    • request表示当前下载对应的request对象(request.__dict__查看属性),该方法用来保存文件名
    • response返回的是None
    • info一样的返回是一个对象(info.__dict__查看)

  • 4.4、item_completed(results, item, info)它是当单个Item完成下载时的处理方法,不是每一张图片都能下载成功,所有要处理

    • results表示下载的结果,返回的是一个列表

      [(True, {'url': 'https://p0.ssl.qhimgs1.com/t01a098025e4214bacc.jpg', 'path': 't01a098025e4214bacc.jpg', 'checksum': '7adb29c836cde7a422c740aac3f86234'})]

  • 4.5、定义的管道要在settings.py中配置

五、对下载的图片重命名

• 1、现在抓取的图片地址是
• 2、在spiders里面使用分页技术
• 3、item pipeline中使用meta把参数携带到request中
• 4、在file_path函数中重命名

• 5、具体的代码

  
  # 定义一个下载pic图片的管道
  
  class PicPipeline(ImagePipeline):
      def file_path(self, request, response=None, info=None):
          print('=======', request.__dict__)
          url = request.url
          # 防止有中文重名的特意加上时间鹾
          return '{0}-{1}.{2}'.format(request.meta['title'], str(time.time()).split('.')[0], url.split('.')[-1])
  
      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):
          # 从管道中获取图片的地址
          yield Request(url=item['url'], meta={'title': item['title']})

六、总结

• 1、使用urllib包组装get请求的url

  from urllib.parse import urlencode
  params = urlencode(data)

• 2、抓取的是json数据的处理

  result = json.loads(response.text)
  ...接下来跟之前的一样处理