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,
}

[ScrapyFramework]「バージョン2.4.0ソースコード」アイテムパイプライン詳細章

記事のディレクトリ

前書き