4.4. Item Pipeline管道文件

0：Spider爬取数据

# -*- coding: utf-8 -*-
import scrapy
import sys
from mySpider.items import ItcastItem

class ItcastSpider(scrapy.Spider):
    #爬虫名称：根据名称来启动
    name = 'itcast'
    allowed_domains = ['itcast.cn']
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml']

    #处理响应文件
    def parse(self, response):

        reload(sys)
        sys.setdefaultencoding("utf-8")

        # 存放老师信息的集合
        #items = []

        for each in response.xpath("//div[@class='li_txt']"):
            # 将我们得到的数据封装到一个 `ItcastItem` 对象,如果是scrapy.Item的对象，会将爬取到的item数据送到管道文件
            item = ItcastItem()
            # extract()方法将Xpath对象转换为unicode字符串
            name = each.xpath("h3/text()").extract()
            level = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            # xpath返回的是包含一个元素的列表
            item['name'] = name[0]
            item['level'] = level[0]
            item['info'] = info[0]

            #items.append(item)

            #将提取到的每一个Item数据交给管道文件进行处理，同时返回进行获取下一个Item数据
            yield item
        # 直接返回最后数据
        #return items

一：Item Pipeline

　　当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

　　每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

• 验证爬取的数据(检查item包含某些字段，比如说name字段)
• 查重(并丢弃)
• 将爬取结果保存到文件或者数据库中

二：编写item pipeline

　　编写item pipeline很简单，item pipiline组件是一个独立的Python类，同时必须实现以下方法，其中process_item()方法必须实现：　

import something

class SomethingPipeline(object):
    def __init__(self):    
        # 可选实现，做参数初始化等
        # doing something

    def process_item(self, item, spider):
        # item (Item 对象) – 被爬取的item
        # spider (Spider 对象) – 爬取该item的spider，spider.name来获取爬取的网页来源
        # 这个方法必须实现，每个item pipeline组件都需要调用该方法，
        # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。
        return item

    def open_spider(self, spider):
        # spider (Spider 对象) – 被开启的spider
        # 可选实现，当spider被开启时，这个方法被调用。

    def close_spider(self, spider):
        # spider (Spider 对象) – 被关闭的spider
        # 可选实现，当spider被关闭时，这个方法被调用

完善之前的案例：

item写入JSON文件

以下pipeline将所有(从所有'spider'中)爬取到的item，存储到一个独立地items.json 文件，每行包含一个序列化为'JSON'格式的'item'。

打开 pipelines.py 文件，写入下面代码:

# -*- coding: utf-8 -*-
import json
#管道文件，进行数据的处理
class MyspiderPipeline(object):
    #定义初始化方法
    def __init__(self):
        self.file = open("pipelines_json","w")

    def process_item(self, item, spider):
        #注意：json.dumps() 处理中文默认使用ascii编码，会导致中文无法正常显示,添加参数 ensure_ascii=False 来禁用ascii编码
        content = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(content)
　　　　　#一定要返回Item，告诉引擎Item处理完毕，获取下一个Item
        return item

    #关闭管道文件
    def close_spidedr(self,spider):
        self.file.close()

三：启用一个Item Pipeline组件

为了启用Item Pipeline组件，必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置：

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    #数字越小，表示优先级越高
    'mySpider.pipelines.MyspiderPipeline': 300,
}

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

四：重新启动爬虫：crawl

在mySpider目录下执行：scrapy crawl itcast

查看当前目录是否生成pipelines_json文件生成