爬虫框架Scrapy 之(四) --- scrapy运行原理(管道）

解析后返回可迭代对象

• 这个对象返回以后就会被爬虫重新接收，然后进行迭代
• 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
• 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）

1. budejie.py 文件

  def parse(self, response):
         # 这个函数是解析函数，它是通过下载来回调，下载器下载完成一个url数据以后就会回调这个函数并且把下载的响应对象通过response参数传递过来
         print(response)
         # 解析response
         contents = response.xpath("//div[@class='j-r-list']/ul/li") # scrapy中自带xpath和css两种解析方法
         # print(contents)
         for content in contents:
             item = {}
             item["author"] = content.xpath(".//a[@class='u-user-name']/text()").extract()[0]
             # scrapy的xpath和css方法中返回出来的是一个Selector对象列表，我们需要用extract函数将内容从这个对象中提取出来
             item["authorImg"] = content.xpath(".//img[@class='u-logo lazy']/@data-original").extract()[0]
             item["content"] = content.xpath(".//div[@class='j-r-list-c-desc']/a/text()").extract()[0]
             item["imgSrc"] = content.xpath(".//img[@class='lazy']/@data-original").extract()[0]
             # print(item)

             yield item  # 每一个解析函数最后都要返回出去一个可迭代的对象
             # 这个对象返回以后就会被爬虫重新接收，然后进行迭代
             # 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
             # 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）

开启管道，将迭代的对象传入管道

• 在setting.py 文件中开启管道（67--69行）

 ITEM_PIPELINES = {
    'MyFirstScrapy.pipelines.MyfirstscrapyPipeline': 300,
     # settings文件中可以配置相关的组件，其中ITEM_PIPELINES就是其中的一种组件（即管道组件），管道组件的值是一个字典，代表可以设置多个值
     # 字典中的一个键值对就代表着一个管道组件，键代表当前管道组件的位置，值代表当前管道组件的优先级（数字越小优先级越大）

     # 数据会按照管道优先级，从高向低传递
     'MyFirstScrapy.pipelines.CSVPipeline': 200

 }

MyfirstscrapyPipeline 管道类

• 在pipelines.py 文件中 声明、设置管道类

 class MyfirstscrapyPipeline(object):
   # 这个类集成自一个普通类，但是如果我们把它加入到管道组件中就变成了一个管道类

     # 一个管道类有以下三个生命周期函数
     def open_spider(self,spider):
         print("爬虫开启")
         print("当前开启的爬虫为：",spider)
         # 创建一个redis链接
         self.rds = redis.StrictRedis(host="www.fanjianbo.com",port=6379,db=8)

     def process_item(self, item, spider):
       # 当爬虫解析完数据以后，这个方法去迭代返回到管道中数据
         print("爬虫正在迭代数据...")
         print("当前正在%s爬虫迭代的数据是：%s"%(spider,item))
         # 向redis数据库中存入数据
         self.rds.lpush("budejie",item)
         return item
         # 每迭代一次以后，一定将迭代过的数据return出去

     def close_spider(self,spider):
         print("爬虫%s关闭！"%spider)

 # 声明一个管道类，用于写csv数据
 class CSVPipeline(object):
     def open_spider(self,spider):
         # 打开csv文件
         self.csvfile = open("data.csv","a+",newline='',encoding="utf-8")
         self.writer = csv.writer(self.csvfile)
         self.writer.writerow(["author","authorImg","content","imgSrc"])

     def process_item(self,item,spider):
         vals = []
         for k,v in item.items():
             vals.append(v)
         self.writer.writerow(vals)
         return item
         # 如果优先级高的管道跌打完数据以后不返回出去，
         # 这个数据就会销毁，后面的管道就无法使用该数据

     def close_spider(self,spider):
         self.csvfile.close()