Scrapy | Scrapy框架中管道的使用

在Scrapy中，爬虫管道（Item Pipeline）是用于处理Spider提取的数据的一系列组件。它们的主要职责是清洗、验证和存储爬取的数据。每个管道组件是一个Python类，这些类必须定义一个process_item方法，该方法将接收Spider提取的每个item，且必须返回item

基本使用

1. 定义管道类：创建一个新的管道类，继承自object，并实现process_item方法。

• open_spider(self, spider): 在爬虫开启的时候仅执行一次 【相当于__init__】
• close_spider(self, spider): 在爬虫关闭的时候仅执行一次 【相当于__del__】

class MyPipeline(object):
    def process_item(self, item, spider):
        # 在这里处理 item 数据
        # 例如，清洗数据、验证数据、存储数据等
        return item  # 必须返回item
    def open_spider(self, spider):
        # 可以在爬虫开启时执行操作，例如打开文件或数据库连接
        self.file = open('items.json', 'w')

    def close_spider(self, spider):
        # 可以在爬虫关闭时执行操作，例如关闭文件或数据库连接
        self.file.close()

2. 启用管道：在你的Scrapy项目的settings.py文件中，确保启用了你的管道。

ITEM_PIPELINES = {
    'myproject.pipelines.MyPipeline': 300,
}

ITEM_PIPELINES是一个字典，键是管道的路径，值是它们的优先级（数字越小，优先级越高）。

3. 在Spider中使用管道：通常，你不需要在Spider中直接使用管道，因为Scrapy会自动将提取的item发送到所有启用的管道。但是，如果你需要在Spider中访问管道，可以通过spider.pipeline属性。
4. 在管道中处理数据：你可以在process_item方法中执行各种数据处理任务，例如清洗数据、验证数据、存储数据等。

python
import json

class MyPipeline:
    def open_spider(self, spider):
        # 可以在爬虫开启时执行操作，例如打开文件或数据库连接
        self.file = open('items.json', 'w')

    def close_spider(self, spider):
        # 可以在爬虫关闭时执行操作，例如关闭文件或数据库连接
        self.file.close()

    def process_item(self, item, spider):
        # 清洗数据
        item['name'] = item['name'].strip()
        
        # 验证数据
        if not item.get('name'):
            raise DropItem("Missing name")
        
        # 存储数据
        line = json.dumps(item, ensure_ascii=False) + "\n"
        self.file.write(line)
        
        return item

如何在管道中区分不同的爬虫

在某些情况下，你可能需要在管道中区分不同的爬虫，以便对不同的爬虫使用不同的处理逻辑。以下是几种方法：

使用Spider的name属性：

class MyPipeline(object):
    def process_item(self, item, spider):
        if spider.name == 'my_spider':
            # 针对特定爬虫的处理逻辑
            pass
        return item

请记住，管道的主要目的是处理Spider提取的数据。因此，确保你的管道逻辑专注于数据清洗、验证和存储：

·管道能够实现数据的清洗和保存，能够定义多个管道实现不同的功能，其中有个三个方法

• process_item(self,item,spider):实现对item数据的处理
• open_spider(self,spider):在爬虫开启的时候仅执行一次
• close_.spider(self,spider):在爬虫关闭的时候仅执行一次