当前位置:
首页 > Python基础教程 >
-
爬虫(十六):Scrapy框架(三) Spider Middleware、Item Pipeline(2)
.close()
def process_item(self, item, spider):
self.db[self.collection_name].insert_one(dict(item))
return item
(4) 截取项目的截图
从process_item()方法返回Deferred。它使用Splash渲染项目URL的屏幕截图。Pipeline向本地运行的Splash示例发出请求。下载请求并延迟回调激活后,它会将项目保存到文件并将文件名添加到项目中。
- import scrapy
- import hashlib
- from urllib.parse import quote
- class ScreenshotPipeline(object):
- """Pipeline that uses Splash to render screenshot of
- every Scrapy item."""
- SPLASH_URL = "http://localhost:8050/render.png?url={}"
- def process_item(self, item, spider):
- encoded_item_url = quote(item["url"])
- screenshot_url = self.SPLASH_URL.format(encoded_item_url)
- request = scrapy.Request(screenshot_url)
- dfd = spider.crawler.engine.download(request, spider)
- dfd.addBoth(self.return_item, item)
- return dfd
- def return_item(self, response, item):
- if response.status != 200:
- # Error happened, return item.
- return item
- # Save screenshot to file, filename will be hash of url.
- url = item["url"]
- url_hash = hashlib.md5(url.encode("utf8")).hexdigest()
- filename = "{}.png".format(url_hash)
- with open(filename, "wb") as f:
- f.write(response.body)
- # Store filename in item.
- item["screenshot_filename"] = filename
- return item
(5) 重复过滤
一个过滤器,用于查找重复项目,并删除已处理的项目。假设我们的项目具有唯一ID,但我们的spider会返回具有相同ID的多个项目:
- from scrapy.exceptions import DropItem
- class DuplicatesPipeline(object):
- def __init__(self):
- self.ids_seen = set()
- def process_item(self, item, spider):
- if item['id'] in self.ids_seen:
- raise DropItem("Duplicate item found: %s" % item)
- else:
- self.ids_seen.add(item['id'])
- return ite
栏目列表
最新更新
nodejs爬虫
Python正则表达式完全指南
爬取豆瓣Top250图书数据
shp 地图文件批量添加字段
爬虫小试牛刀(爬取学校通知公告)
【python基础】函数-初识函数
【python基础】函数-返回值
HTTP请求:requests模块基础使用必知必会
Python初学者友好丨详解参数传递类型
如何有效管理爬虫流量?
SQL SERVER中递归
2个场景实例讲解GaussDB(DWS)基表统计信息估
常用的 SQL Server 关键字及其含义
动手分析SQL Server中的事务中使用的锁
openGauss内核分析:SQL by pass & 经典执行
一招教你如何高效批量导入与更新数据
天天写SQL,这些神奇的特性你知道吗?
openGauss内核分析:执行计划生成
[IM002]Navicat ODBC驱动器管理器 未发现数据
初入Sql Server 之 存储过程的简单使用
这是目前我见过最好的跨域解决方案!
减少回流与重绘
减少回流与重绘
如何使用KrpanoToolJS在浏览器切图
performance.now() 与 Date.now() 对比
一款纯 JS 实现的轻量化图片编辑器
关于开发 VS Code 插件遇到的 workbench.scm.
前端设计模式——观察者模式
前端设计模式——中介者模式
创建型-原型模式