我应该创建管道来使用 scrapy 保存文件吗？

Question

我需要保存文件 (.pdf)，但我不确定如何操作。我需要保存 .pdf 并将它们存储在一个目录中，就像它们存储在我正在刮掉它们的网站上一样。

据我所知，我需要建立一个管道，但据我了解，管道保存的“项目”和“项目”只是像字符串/数字这样的基本数据。保存文件是管道的正确使用，还是应该将文件保存在蜘蛛中？

Answer 1

是与否[1]。如果您获取 pdf，它将存储在内存中，但如果 pdf 不够大，无法填满您的可用内存，那么也可以。

您可以将 pdf 保存在蜘蛛回调中：

def parse_listing(self, response):
    # ... extract pdf urls
    for url in pdf_urls:
        yield Request(url, callback=self.save_pdf)

def save_pdf(self, response):
    path = self.get_path(response.url)
    with open(path, "wb") as f:
        f.write(response.body)

如果您选择在管道中执行此操作：

# in the spider
def parse_pdf(self, response):
    i = MyItem()
    i['body'] = response.body
    i['url'] = response.url
    # you can add more metadata to the item
    return i

# in your pipeline
def process_item(self, item, spider):
    path = self.get_path(item['url'])
    with open(path, "wb") as f:
        f.write(item['body'])
    # remove body and add path as reference
    del item['body']
    item['path'] = path
    # let item be processed by other pipelines. ie. db store
    return item

[1] 另一种方法可能是仅存储 pdf 的 url，并使用另一个进程来获取文档而不缓冲到内存中。 （例如wget）

Answer 2

有一个FilesPipeline可以直接使用，假设你已经有了文件url，链接显示了如何使用 FilesPipeline:

https://groups.google.com/forum/print/msg/scrapy -用户/kzGHFjXywuY/O6PIhoT3thsJ

Answer 3

它是完成这项工作的完美工具。 Scrapy 的工作方式是让蜘蛛将网页转换为结构化数据（项目）。管道是后处理器，但它们使用与蜘蛛相同的异步基础设施，因此它非常适合获取媒体文件。

在您的情况下，您首先在蜘蛛中提取 PDF 的位置，在管道中获取它们，并使用另一个管道来保存项目。