すべてのソースコード分析記事インデックスディレクトリポータル
[Scrapy Framework]バージョン2.4.0ソースコード:すべての構成ディレクトリインデックス
記事のディレクトリ
前書き
パイプラインは、Scrapyによってキャプチャされたデータを処理するために使用されます。
主目的:
- HTMLデータをクリーンアップします
- キャプチャされたデータを確認します(プロジェクトに特定のフィールドが含まれているかどうかを確認します)
- コピーを確認(および削除)
- Scrapyアイテムをデータベースに保存する
基本的なパイプライン方式
各プロジェクトパイプラインコンポーネントはPythonクラスです
process_item(self、item、spider):パイプライン処理によって定義されたアイテムのコンテンツ。
open_spider(self、spider):このメソッドは、スパイダーが開かれたときに呼び出されます。
close_spider(self、spider):このメソッドは、スパイダーが閉じているときに呼び出されます。
from_crawler(cls、crawler):このメソッドは、パイプラインインスタンスが作成されたときに呼び出されます。このメソッドは、scrapyプロジェクトの構成設定で構成された値を取得するために通常使用されるパイプラインインスタンスオブジェクトを返す必要があります。
パイプラインの簡単な例
価格属性を調整するためにデータをフェッチする例
from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
class PricePipeline:
vat_factor = 1.15
def process_item(self, item, spider):
adapter = ItemAdapter(item)
if adapter.get('price'):
if adapter.get('price_excludes_vat'):
adapter['price'] = adapter['price'] * self.vat_factor
return item
else:
raise DropItem(f"Missing price in {item}")
JSONファイルにデータを書き込む
import json
from itemadapter import ItemAdapter
class JsonWriterPipeline:
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
line = json.dumps(ItemAdapter(item).asdict()) + "\n"
self.file.write(line)
return item
MongoDBへのデータ書き込み
import pymongo
from itemadapter import ItemAdapter
class MongoPipeline:
collection_name = 'scrapy_items'
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_DATABASE', 'items')
)
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_one(ItemAdapter(item).asdict())
return item
ページのスクリーンショット
import hashlib
from urllib.parse import quote
import scrapy
from itemadapter import ItemAdapter
class ScreenshotPipeline:
"""
每个Scrapy项目使用Splash渲染屏幕截图的管道
"""
SPLASH_URL = "http://localhost:8050/render.png?url={}"
async def process_item(self, item, spider):
adapter = ItemAdapter(item)
encoded_item_url = quote(adapter["url"])
screenshot_url = self.SPLASH_URL.format(encoded_item_url)
request = scrapy.Request(screenshot_url)
response = await spider.crawler.engine.download(request, spider)
if response.status != 200:
# Error happened, return item.
return item
# Save screenshot to file, filename will be hash of url.
url = adapter["url"]
url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
filename = f"{url_hash}.png"
with open(filename, "wb") as f:
f.write(response.body)
# Store filename in item.
adapter["screenshot_filename"] = filename
return item
データ重複フィルター
from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
class DuplicatesPipeline:
def __init__(self):
self.ids_seen = set()
def process_item(self, item, spider):
adapter = ItemAdapter(item)
if adapter['id'] in self.ids_seen:
raise DropItem(f"Duplicate item found: {item!r}")
else:
self.ids_seen.add(adapter['id'])
return item
パイプラインアクティベーション方法
settings.pyで設定します。そうしないと、クロールされたデータを処理できません。
ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300,
'myproject.pipelines.JsonWriterPipeline': 800,
}