一、Item Pipeline介绍

蜘蛛抓取的每一个Item都会被发送到Item Pipeline。根据ITEM_PIPELINES的优先级设置，不同的Item Pipeline依次处理每一个Item，最后可删除该Item不做处理，也可将该Item发送到下一个Item Pipeline。Item Pipeline的主要用途有：

1、清洗数据

2、验证数据（检查Item某些字段是否为空）

3、数据查重

4、存储数据

二、Item Pipeline的方法

1、process_item

语法：process_item(self, item, spider)
参数：
item (item object) -- Item实例
spider (Spider object) -- spider实例
用法：每个Item Pipeline都需要调用此方法，这个方法必须返回一个 Item (或任何继承类)对象， 或是抛出DropItem异常，被丢弃的Item将不会被之后的Item Pipeline所处理。

2、open_spider

语法：open_spider(self, spider)
参数：spider (Spider object) -- spider实例
用法：当spider打开时调用此方法。

3、close_spider

语法：close_spider(self, spider)
参数：spider (Spider object) -- spider实例
用法：当spider关闭时调用此方法。

4、from_crawler

语法：from_crawler(cls, crawler)
参数：crawler (Crawler object) -- 使用此管道的爬虫程序
用法：调用此方法从爬虫程序Crawler生成实例。返回实例对象括号里面的参数，是会进入初始化方法__init__的

三、Item Pipeline的示例

1、验证数据——价格数据验证（删除Item中price字段为空的Item）

from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem
class PricePipeline:vat_factor = 1.15def process_item(self, item, spider):adapter = ItemAdapter(item)if adapter.get('price'):if adapter.get('price_excludes_vat'):adapter['price'] = adapter['price'] * self.vat_factorreturn itemelse:raise DropItem(f"Missing price in {item}")

2、存储数据——将项目写入JSON文件

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

3、存储数据——将项目写入MongoDB

import pymongo
from itemadapter import ItemAdapter
class MongoPipeline:collection_name = 'scrapy_items'def __init__(self, mongo_uri, mongo_db):self.mongo_uri = mongo_uriself.mongo_db = mongo_db@classmethoddef from_crawler(cls, crawler):return cls(mongo_uri=crawler.settings.get('MONGO_URI'),                #从settings读取配置mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')    #从settings读取配置)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

4、存储数据——项目截图

此Item Pipeline生成一个请求，向本地运行的Splash实例（一个javascript渲染服务器）发出，以渲染Item中URL的屏幕截图。Item Pipeline使用协同程序将请求响应下载后，将屏幕截图保存到文件中，并将文件名添加到Item中。

import hashlib
from urllib.parse import quote
import scrapy
from itemadapter import ItemAdapter
from scrapy.utils.defer import maybe_deferred_to_future
class ScreenshotPipeline: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 maybe_deferred_to_future(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"] = filenamereturn item

5、数据查重——重复筛选器

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

四、Item Pipeline的激活

将Item Pipeline的类添加到ITEM_PIPELINES设置，在此设置中分配给类的整数值决定了运行顺序，由低到高。如下：

ITEM_PIPELINES = {'myproject.pipelines.PricePipeline': 300,'myproject.pipelines.JsonWriterPipeline': 800,
}