Scrapy 框架將爬取的數(shù)據(jù)通過管道進(jìn)行處理，即 pipelines.py 文件。

?

管道處理流程

一、定義 item

item 表示的是數(shù)據(jù)結(jié)構(gòu)，定義了數(shù)據(jù)包括哪些字段

class TianqiItem(scrapy.Item):# define the fields for your item here like: city = scrapy.Field() # 城市date = scrapy.Field() # 日期hour = scrapy.Field() # 小時(shí)day = scrapy.Field() # 白天

寫法比較固定，不可隨意更改；注意沒有return

?

二、在爬蟲中生成 item

爬蟲組件必須將數(shù)據(jù)按 item 的結(jié)構(gòu)進(jìn)行組織

item['city'] = response.xpath('//a[@id="lastBread"]//text()').extract_first()[:-4] item['date'] = '%s-%s-%s'%(year, month, day) item['hour'] = hour

注意最終必須? return item；

而且可以 返回多個(gè) item，return item, item2，在某管道中，如果用了 item的key，就自動(dòng)選擇有這個(gè)key的item，否則，所有item都會(huì)經(jīng)過該處理。

?

三、在管道中處理

1. 爬蟲生成的 item 自動(dòng)進(jìn)入管道；

2. 管道會(huì)判斷 流入的數(shù)據(jù) 的類型 是否是 item；【即 item.py 中定義的類型】

3. 如果是 item 類型，進(jìn)行后續(xù)處理，否則，忽略；

4. 返回 item，【必須返回，切記】【返回的 item 流入下一個(gè)管道，或者告訴引擎，處理完畢，否則引擎會(huì)阻塞】

5. 爬取下一個(gè)

class TianqiPipeline(object):def __init__(self):self.f = open('save.txt', 'ab')def process_item(self, item, spider):print(item)self.f.write(str(dict(item)))return itemdef close_spider(self, spider):self.f.close()class RedisPipeline(object):def open_spider(self, spider):host = spider.settings.get('REDIS_HOST', 'localhost')port = spider.settings.get('REDIS_PORT', 6379)db = spider.settings.get('REDIS_DB_INDEX', 0)self.redis_con = redis.StrictRedis(host=host, port=port, db=db)def process_item(self, item, spider):self.redis_con.hmset('%s:%s:%s'%(item['city'], item['date'], item['hour']), dict(item))return itemdef close_spider(self, spider):self.redis_con.connection_pool.disconnect()

代碼解釋

必選方法：process_item，負(fù)責(zé)處理數(shù)據(jù)

可選方法：初始化，只在爬蟲啟動(dòng)時(shí)進(jìn)行初始化

可選方法：open_spider，在開始爬取數(shù)據(jù)之前被調(diào)用

可選方法：close_spider，爬取完數(shù)據(jù)后被調(diào)用

可選方法：from_crawler，獲取配置

?

mongodb 示例，包含了上述方法

首先執(zhí)行 from_crawler 獲取配置，在 open_spider 中創(chuàng)建數(shù)據(jù)庫連接

?

四、啟動(dòng)管道

在settings中配置即可

ITEM_PIPELINES = {'tianqi.pipelines.TianqiPipeline': 300,'tianqi.pipelines.RedisPipeline': 301, }

?

存在問題

上面這種方式 會(huì)作用于所有爬蟲；

我們可以在 管道中 判斷 是哪個(gè)爬蟲，根據(jù) spider 參數(shù)，或者 根據(jù) item 中的 key，但這種方法很冗余；

更好的做法是在 spider類 中配置 custom_settings 對(duì)象

# 類屬性 custom_settings = {'ITEM_PIPELINES': {'getProxy.pipelines.GetproxyPipeline': 300, }}

?

數(shù)據(jù)庫存儲(chǔ)

管道可以實(shí)現(xiàn)任何形式的存儲(chǔ)，包括文件、數(shù)據(jù)庫等；

而且可以存入各種數(shù)據(jù)庫，如 sqlite、mysql、mongoDB、redis；

上面的例子實(shí)現(xiàn)了 redis、mongodb 的存儲(chǔ)，其他大同小異，以后有機(jī)會(huì)再更新。

轉(zhuǎn)載于:https://www.cnblogs.com/yanshw/p/10919052.html

總結(jié)

以上是生活随笔為你收集整理的Scrapy 教程(十)-管道与数据库的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。