精通Scrapy网络爬虫【五】使用Item Pipeline处理数据

使用Item Pipeline处理数据

在Scrapy中，Item Pipeline是处理数据的组件，一个Item Pipeline就是一个包含特定接口的类，通常只负责一种功能的数据处理，在一个项目中可以同时启用多个ItemPipeline，它们按指定次序级联起来，形成一条数据处理流水线。

在创建一个Scrapy项目时，会自动生成一个pipelines.py文件，它用来放置用户自定义的Item Pipeline，在example项目的pipelines.py中实现PriceConverterPipeline，代码如下
功能：将爬取到的价格转换成人民币

class PriceConverterPipeline(object):
    exchange_rate=8.5309

    def process_item(self,item,spider):
        price=float(item['price'][1:])*self.exchange_rate
        #英镑转人民币
        item['price']='￥%.2f'%price
        #保留两位小数赋值
        return item

一个Item Pipeline不需要继承特定基类，只需要实现某些特定方法，例如process_item、open_spider、close_spider。

一个Item Pipeline必须实现一个process_item(item, spider)方法，该方法用来处理每一项由Spider爬取到的数据，其中的两个参数：
** Item**爬取到的一项数据（Item或字典）。
Spider爬取此项数据的Spider对象。

除了必须实现的process_item方法外，还有3个比较常用的方法，可根据需求选择实现：

open_spider(self, spider)
Spider打开时（处理数据前）回调该方法，通常该方法用于在开始处理数据之前完成某些初始化工作，如连接数据库。

close_spider(self, spider)
Spider关闭时（处理数据后）回调该方法，通常该方法用于在处理完所有数据之后完成某些清理工作，如关闭数据库。

from_crawler(cls, crawler)
创建Item Pipeline对象时回调该类方法。通常，在该方法中通过crawler.settings读取配置，根据配置创建Item Pipeline对象。

启用Item Pipeline

在Scrapy中，Item Pipeline是可选的组件，想要启用某个（或某些）ItemPipeline，需要在配置文件settings.py中进行配置：

ITEM_PIPELINES={
    'book.pipelines.PriceConverterPipeline':300,
}

注意book改为自己的项目名称

ITEM_PIPELINES是一个字典，我们把想要启用的Item Pipeline添加到这个字典中，其中每一项的键是每一个Item Pipeline类的导入路径，值是一个0~1000的数字，同时启用多个Item Pipeline时，Scrapy根据这些数值决定各Item Pipeline处理数据的先后次序，数值小的在前。

启用PriceConverterPipeline后，重新运行爬虫，并观察结果：
书价转换成了人民币价格。

过滤重复数据

class DuplicatesPipeline(object):
    def __init__(self):
        self.book_set = set()

    def process_item(self, item, spider):
        name = item['name']
        if name in self.book_set:
            raise DropItem("Duplicate book found:%s" % item)
        self.book_set.add(name)

        return item

增加构造器方法，在其中初始化用于对书名去重的集合。

在process_item方法中，先取出item的name字段，检查书名是否已在集合book_set中，如果存在，就是重复数据，抛出DropItem异常，将item抛弃；否则，将item的name字段存入集合，返回item。

接下来测试DuplicatesPipeline。首先在不启用DuplicatesPipeline的情况下，运行爬虫，

此时有1000本书。
然后在配置文件settings.py中启用DuplicatesPipeline：

ITEM_PIPELINES={
    'book.pipelines.PriceConverterPipeline':300,
    'book.pipelines.DuplicatesPipeline':350,
}

运行：

只有999本了，比之前少了1本，说明有两本书是同名的

参考资料：《精通Scrapy网络爬虫》刘硕 清华大学出版社