Scrapy Pipeline - 码农教程

Scrapy 中的 Pipeline 为我们提供了处理数据的功能，在实际开发中我们经常使用它来清洗/验证数据、去重和数据保存。在一个项目中会存在多种 Pipeline ，每个 Pipeline 都是一个 class ，其中包含了一些处理的 Item 的方法。 Item 会在这些 Pipeline 中按顺序依次传递，如果其中一个 Pipeline 丢弃了 Item ，那么后面未执行到的 Pipeline 将不会收到这个 Item 。

零、自定义 Pipeline

自定义 Pipeline 其实很简单，只需要实现指定的方法即可。

1.process_item (self,item,spider)

解释：该方法必须实现，处理数据的工作都在这个方法中进行，方法返回 dict 、Item 、 Twisted Deferred 或者是 DropItem 异常。
参数：
- item : 被爬取的 Item ；
- spider : 爬取 Item 时所使用的 Spider 。

Tip : 如果在 process_item 方法中丢弃了 Item ，那么这个 Item 将不会向后续 Pipeline 传递这个 Item 。

2.open_spider(self,spider)

解释：爬虫开始运行时，将会在这个方法中执行一些初始化工作，例如打开数据库、打开文件等。
参数：
- spider : 当前正在使用的 Spider

3.close_spider(self,spider)

解释：爬虫关闭时，将会在这个方法中执行一些后续工作，例如关闭数据库、关闭文件等。
参数：
- spider : 当前正在使用的 Spider

4.from_crawl(self,crawler)

解释：方法为类方法，通过初始化 crawler 对象返回 Pipeline 实例。我们可以通过 crawler 返回所有 Scrapy 核心组件。

一、特殊的 Pipeline

在一些项目中我们不仅要爬取网页的数据，还需要爬取文件或图片，并保存在本地。这时我们就需要用到 Scrapy 中特殊的 Pipeline ：FilesPipeline 和 ImagesPipeline ，它们具有一些相同的方法和结构与，我们称这种 Pipeline 为 MediaPipeline 。FilesPipeline 和 ImagesPipeline 都包含如下特性：

避免重复下载数据
指定存储位置

ImagesPipeline 又包含如下特性：

图片转换为 JPG 格式或者 RGB 格式
生成缩略图
限制图片下载的最大/最小宽高

Tip：Scrapy Pipeline 避免重复下载的方法是将要下载的文件的 URL 放入一个队列中，并且和 Response 关联，从而避免了重复下载。

1.FilesPipeline

FilesPipeline 下载文件的工作流程非常简单，一共有四个步骤：

爬虫把获取到的 Item 和希望下载的文件的 URL 保存到 file_urls 中；
爬虫返回的 Item 进入到 Pipeline 内部；
Item 按照顺序传递到 FilesPipeline 时，file_urls 中的 URL 会被内置的调度器和下载器下载。在这个时候 Item 是被锁定的，直到需要下载的文件下载完成或者报错，Item 才解除锁定；
下载完成后，结果将被保存在 files 中，files 是一个列表，每条数据是 dict 类型。

2.ImagesPipeline

ImagesPipeline 是继承自 FilesPipeline ，也就是说它的大部分步骤和 FilesPipeline 一样。唯一不同的是 ImagesPipeline 将需要下载的图片 URL 保存到了 image_urls 中，下载完成的结果保存到 images 中。

Tip：Pipeline 中不仅仅包含了这两个特殊的 Pipeline ，因为 FilesPipeline 和 ImagesPipeline 是比较常用的，因此我在这里进行了讲解。更多的内置 Pipeline 大家可以去 Scrapy 官网查看具体的文档。

我们在编写完 Pipeline 后需要在 settings.py 文件中进行注册，将我们编写的 Pipeline 注入到 Scrapy 中。

ITEM_PIPELINS= {
  '自定义Pipeline 路径':'优先级'
}

二、总结

本篇文章主要讲解了 Pipeline 的理论知识，虽然很短，但是这些知识是 Pipeline 的核心知识。下一节我将通过代码的形式来展现 Pipeline 的使用。