Item Pipeline是项目管道，本节我们详细了解它的用法。
首先我们看看Item Pipeline在Scrapy中的架构，如下图所示。
图中的最左侧即为Item Pipeline，它的调用发生在Spider产生Item之后。当Spider解析完Response之后，Item就会传递到Item Pipeline，被定义的Item Pipeline组件会顺次调用，完成一连串的处理过程，比如数据清洗、存储等。
Item Pipeline的主要功能有如下4点。
- 清理HTML数据。
- 验证爬取数据，检查爬取字段。
- 查重并丢弃重复内容。
- 将爬取结果保存到数据库。
一、核心方法
我们可以自定义Item Pipeline，只需要实现指定的方法，其中必须要实现的一个方法是：
process_item(item, spider)
。
另外还有如下几个比较实用的方法。
-
open_spider(spider)
-
close_spider(spider)
-
from_crawler(cls, crawler)
下面我们详细介绍这几个方法的用法。
1. process_item(item, spider)
process_item()
是必须要实现的方法，被定义的Item Pipeline会默认调用这个方法对Item进行处理。比如，我们可以进行数据处理或者将数据写入到数据库等操作。它必须返回
Item
类型的值或者抛出一个
DropItem
异常。
process_item()
方法的参数有如下两个。
-
item
-
spider
process_item()
方法的返回类型归纳如下。
- 如果它返回的是Item对象，那么此Item会被低优先级的Item Pipeline的
process_item()
- 如果它抛出的是DropItem异常，那么此Item会被丢弃，不再进行处理。
2. open_spider(self, spider)
open_spider()
方法是在Spider开启的时候被自动调用的。在这里我们可以做一些初始化操作，如开启数据库连接等。其中，参数
spider
就是被开启的Spider对象。
3. close_spider(spider)
close_spider()
方法是在Spider关闭的时候自动调用的。在这里我们可以做一些收尾工作，如关闭数据库连接等。其中，参数
spider
就是被关闭的Spider对象。
4. from_crawler(cls, crawler)
from_crawler()
方法是一个类方法，用
@classmethod
标识，是一种依赖注入的方式。它的参数是
crawler
，通过
crawler
对象，我们可以拿到Scrapy的所有核心组件，如全局配置的每个信息，然后创建一个Pipeline实例。参数
cls
就是Class，最后返回一个Class实例。
下面我们用一个实例来加深对Item Pipeline用法的理解。
二、本节目标
我们以爬取360摄影美图为例，来分别实现MongoDB存储、MySQL存储、Image图片存储的三个Pipeline。
三、准备工作
请确保已经安装好MongoDB和MySQL数据库，安装好Python的PyMongo、PyMySQL、Scrapy框架。
四、抓取分析
我们这次爬取的目标网站为：https://image.so.com。打开此页面，切换到摄影页面，网页中呈现了许许多多的摄影美图。我们打开浏览器开发者工具，过滤器切换到XHR选项，然后下拉页面，可以看到下面就会呈现许多Ajax请求，如下图所示。
我们查看一个请求的详情，观察返回的数据结构，如下图所示。
返回格式是JSON。其中
list
字段就是一张张图片的详情信息，包含了30张图片的ID、名称、链接、缩略图等信息。另外观察Ajax请求的参数信息，有一个参数
sn
一直在变化，这个参数很明显就是偏移量。当
sn
为30时，返回的是前30张图片，sn为60时，返回的就是第31~60张图片。另外，
ch
参数是摄影类别，
listtype
是排序方式，
temp
参数可以忽略。
所以我们抓取时只需要改变
sn
的数值就好了。
下面我们用Scrapy来实现图片的抓取，将图片的信息保存到MongoDB、MySQL，同时将图片存储到本地。
五、新建项目
首先新建一个项目，命令如下所示：
scrapy startproject images360 复制
接下来新建一个Spider，命令如下所示：
scrapy genspider images images.so.com 复制
这样我们就成功创建了一个Spider。
六、构造请求
接下来定义爬取的页数。比如爬取50页、每页30张，也就是1500张图片，我们可以先在settings.py里面定义一个变量
MAX_PAGE
，添加如下定义：
MAX_PAGE = 50 复制
定义
start_requests()
方法，用来生成50次请求，如下所示：
def start_requests(self):
data = {'ch': 'photography', 'listtype': 'new'}
base_url = 'https://image.so.com/zj?'
for page in range(1, self.settings.get('MAX_PAGE') + 1):
data['sn'] = page * 30
params = urlencode(data)
url = base_url + params
yield Request(url, self.parse) 复制
在这里我们首先定义了初始的两个参数，
sn
参数是遍历循环生成的。然后利用
urlencode()
方法将字典转化为URL的
GET
参数，构造出完整的URL，构造并生成Request。
还需要引入scrapy.Request和urllib.parse模块，如下所示：
from scrapy import Spider, Request
from urllib.parse import urlencode 复制
再修改settings.py中的
ROBOTSTXT_OBEY
变量，将其设置为
False
，否则无法抓取，如下所示：
ROBOTSTXT_OBEY = False 复制
运行爬虫，即可以看到链接都请求成功，执行命令如下所示：
scrapy crawl images 复制
运行示例结果如下图所示。
所有请求的状态码都是200，这就证明图片信息爬取成功了。
七、提取信息
首先定义一个Item，叫作
ImageItem
，如下所示：
from scrapy import Item, Field
class ImageItem(Item):
collection = table = 'images'
id = Field()
url = Field()
title = Field()
thumb = Field() 复制
在这里我们定义了4个字段，包括图片的ID、链接、标题、缩略图。另外还有两个属性
collection
和
table
，都定义为images字符串，分别代表MongoDB存储的Collection名称和MySQL存储的表名称。
接下来我们提取Spider里有关信息，将
parse()
方法改写为如下所示：
def parse(self, response):
result = json.loads(response.text)
for image in result.get('list'):
item = ImageItem()
item['id'] = image.get('imageid')
item['url'] = image.get('qhimg_url')
item['title'] = image.get('group_title')
item['thumb'] = image.get('qhimg_thumb_url')
yield item 复制
首先解析JSON，遍历其list字段，取出一个个图片信息，然后再对
ImageItem
赋值，生成Item对象。
这样我们就完成了信息的提取。
八、存储信息
接下来我们需要将图片的信息保存到MongoDB、MySQL，同时将图片保存到本地。
MongoDB
首先确保MongoDB已经正常安装并且正常运行。
我们用一个MongoPipeline将信息保存到MongoDB，在pipelines.py里添加如下类的实现：
import pymongo
class MongoPipeline(object):
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DB')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def process_item(self, item, spider):
self.db[item.collection].insert(dict(item))
return item
def close_spider(self, spider):
self.client.close() 复制
这里需要用到两个变量，
MONGO_URI
和
MONGO_DB
，即存储到MongoDB的链接地址和数据库名称。我们在settings.py里添加这两个变量，如下所示：
MONGO_URI = 'localhost'
MONGO_DB = 'images360' 复制
这样一个保存到MongoDB的Pipeline的就创建好了。这里最主要的方法是
process_item()
方法，直接调用Collection对象的
insert()
方法即可完成数据的插入，最后返回Item对象。
MySQL
首先确保MySQL已经正确安装并且正常运行。
新建一个数据库，名字还是images360，SQL语句如下所示：
CREATE DATABASE images360 DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci 复制
新建一个数据表，包含id、url、title、thumb四个字段，SQL语句如下所示：
CREATE TABLE images (id VARCHAR(255) NULL PRIMARY KEY, url VARCHAR(255) NULL , title VARCHAR(255) NULL , thumb VARCHAR(255) NULL) 复制
执行完SQL语句之后，我们就成功创建好了数据表。接下来就可以往表里存储数据了。
接下来我们实现一个
MySQLPipeline
，代码如下所示：
import pymysql
class MysqlPipeline():
def __init__(self, host, database, user, password, port):
self.host = host
self.database = database
self.user = user
self.password = password
self.port = port
@classmethod
def from_crawler(cls, crawler):
return cls(
host=crawler.settings.get('MYSQL_HOST'),
database=crawler.settings.get('MYSQL_DATABASE'),
user=crawler.settings.get('MYSQL_USER'),
password=crawler.settings.get('MYSQL_PASSWORD'),
port=crawler.settings.get('MYSQL_PORT'),
)
def open_spider(self, spider):
self.db = pymysql.connect(self.host, self.user, self.password, self.database, charset='utf8', port=self.port)
self.cursor = self.db.cursor()
def close_spider(self, spider):
self.db.close()
def process_item(self, item, spider):
data = dict(item)
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'insert into %s (%s) values (%s)' % (item.table, keys, values)
self.cursor.execute(sql, tuple(data.values()))
self.db.commit()
return item 复制
如前所述，这里用到的数据插入方法是一个动态构造SQL语句的方法。
这里又需要几个MySQL的配置，我们在settings.py里添加几个变量，如下所示：
MYSQL_HOST = 'localhost'
MYSQL_DATABASE = 'images360'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWORD = '123456' 复制
这里分别定义了MySQL的地址、数据库名称、端口、用户名、密码。
这样，MySQL Pipeline就完成了。
Image Pipeline
Scrapy提供了专门处理下载的Pipeline，包括文件下载和图片下载。下载文件和图片的原理与抓取页面的原理一样，因此下载过程支持异步和多线程，下载十分高效。下面我们来看看具体的实现过程。
官方文档地址为：https://doc.scrapy.org/en/latest/topics/media-pipeline.html。
首先定义存储文件的路径，需要定义一个
IMAGES_STORE
变量，在settings.py中添加如下代码：
IMAGES_STORE = './images' 复制
在这里我们将路径定义为当前路径下的images子文件夹，即下载的图片都会保存到本项目的images文件夹中。
内置的
ImagesPipeline
会默认读取Item的
image_urls
字段，并认为该字段是一个列表形式，它会遍历Item的
image_urls
字段，然后取出每个URL进行图片下载。
但是现在生成的Item的图片链接字段并不是
image_urls
字段表示的，也不是列表形式，而是单个的URL。所以为了实现下载，我们需要重新定义下载的部分逻辑，即要自定义
ImagePipeline
，继承内置的
ImagesPipeline
，重写几个方法。
我们定义
ImagePipeline
，如下所示：
from scrapy import Request
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
class ImagePipeline(ImagesPipeline):
def file_path(self, request, response=None, info=None):
url = request.url
file_name = url.split('/')[-1]
return file_name
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem('Image Downloaded Failed')
return item
def get_media_requests(self, item, info):
yield Request(item['url']) 复制
在这里我们实现了
ImagePipeline
，继承Scrapy内置的
ImagesPipeline
，重写下面几个方法。
-
get_media_requests()
item
url
-
file_path()
request
split()
-
item_completed()
results
现在为止，三个Item Pipeline的定义就完成了。最后只需要启用就可以了，修改settings.py，设置
ITEM_PIPELINES
，如下所示：
ITEM_PIPELINES = {
'images360.pipelines.ImagePipeline': 300,
'images360.pipelines.MongoPipeline': 301,
'images360.pipelines.MysqlPipeline': 302,
} 复制
这里注意调用的顺序。我们需要优先调用
ImagePipeline
对Item做下载后的筛选，下载失败的Item就直接忽略，它们就不会保存到MongoDB和MySQL里。随后再调用其他两个存储的Pipeline，这样就能确保存入数据库的图片都是下载成功的。
接下来运行程序，执行爬取，如下所示：
scrapy crawl images 复制
爬虫一边爬取一边下载，下载速度非常快，对应的输出日志如下图所示。
查看本地images文件夹，发现图片都已经成功下载，如下图所示。
查看MySQL，下载成功的图片信息也已成功保存，如下图所示。
查看MongoDB，下载成功的图片信息同样已成功保存，如下图所示。
这样我们就可以成功实现图片的下载并把图片的信息存入数据库。
九、本节代码
本节代码地址为：https://github.com/Python3WebSpider/Images360。
十、结语
Item Pipeline是Scrapy非常重要的组件，数据存储几乎都是通过此组件实现的。请读者认真掌握此内容。