scrapy 2.3 扩展媒体管道

请参见以下自定义文件管道中可以重写的方法：

classscrapy.pipelines.files.FilesPipeline

file_path(self, request, response=None, info=None, *, item=None)

每个下载的项调用一次此方法。它返回源于指定的 response .

除了 response ，此方法接收原始 request ， info 和 ​item​

可以重写此方法以自定义每个文件的下载路径。

例如，如果文件URL以常规路径结束（例如 https://example.com/a/b/c/foo.png ，您可以使用以下方法将所有文件下载到 files 文件夹及其原始文件名（例如 files/foo.png ）：

import os
from urllib.parse import urlparse

from scrapy.pipelines.files import FilesPipeline

class MyFilesPipeline(FilesPipeline):

    def file_path(self, request, response=None, info=None, *, item=None):
        return 'files/' + os.path.basename(urlparse(request.url).path)

同样，您可以使用 item 根据某些项属性确定文件路径。

默认情况下 ​file_path()​ 方法返回 full/<request URL hash>.<extension> .

get_media_requests(item, info)

如工作流上所示，管道将从项目中获取要下载的图像的URL。为此，可以重写 ​get_media_requests()​ 方法并返回每个文件的请求URL:：

from itemadapter import ItemAdapter

def get_media_requests(self, item, info):
    adapter = ItemAdapter(item)
    for file_url in adapter['file_urls']:
        yield scrapy.Request(file_url)

这些请求将由管道处理，下载完成后，结果将发送到 ​item_completed()​ 方法，作为2元素元组的列表。每个元组将包含 (success, file_info_or_error) 在哪里？

• success 是一个布尔值，它是 True 如果图像下载成功或 False 如果因为某种原因失败了

• file_info_or_error 是包含以下键的dict（如果成功是 True 或A ​Failure​ 如果有问题的话。

  • url -从中下载文件的URL。这是从 ​get_media_requests()​ 方法。

  • path -路径（相对于 ​FILES_STORE​ ）文件的存储位置

  • checksum -A MD5 hash 图像内容的

  • status -文件状态指示。

    2.2 新版功能.

    它可以是以下类型之一：

    • downloaded -文件已下载。

    • uptodate -根据文件过期策略，文件未下载，因为它是最近下载的。

    • cached -文件已被共享同一文件的另一个项目计划下载。

接收的元组列表 ​item_completed()​ 保证保留从 ​get_media_requests()​ 方法。

以下是 results 论点：

[(True,
  {'checksum': '2b00042f7481c7b056c4b410d28f33cf',
   'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg',
   'url': 'http://www.example.com/files/product1.pdf',
   'status': 'downloaded'}),
 (False,
  Failure(...))]

默认情况下 ​get_media_requests()​ 方法返回 None 这意味着该项目没有可下载的文件。

item_completed(results, item, info)

这个 ​FilesPipeline.item_completed()​ 当单个项的所有文件请求都已完成时调用的方法（要么已完成下载，要么由于某种原因失败）。

这个 ​item_completed()​ 方法必须返回将发送到后续项管道阶段的输出，因此必须返回（或删除）该项，就像在任何管道中一样。

下面是一个 ​item_completed()​ 方法，将下载的文件路径（传入结果）存储在 file_paths 项目字段，如果该项目不包含任何文件，则将其删除：：

from itemadapter import ItemAdapter
from scrapy.exceptions import DropItem

def item_completed(self, results, item, info):
    file_paths = [x['path'] for ok, x in results if ok]
    if not file_paths:
        raise DropItem("Item contains no files")
    adapter = ItemAdapter(item)
    adapter['file_paths'] = file_paths
    return item

默认情况下， ​item_completed()​ 方法返回项。

请参见以下自定义图像管道中可以覆盖的方法：

classscrapy.pipelines.images.ImagesPipeline

这个 ​ImagesPipeline​ 是 FilesPipeline ，自定义字段名并为图像添加自定义行为。

file_path(self, request, response=None, info=None, *, item=None)

每个下载的项调用一次此方法。它返回源于指定的 ​response​ .

除了 response ，此方法接收原始 request ， info 和 ​item​

可以重写此方法以自定义每个文件的下载路径。

例如，如果文件URL以常规路径结束（例如 https://example.com/a/b/c/foo.png ，您可以使用以下方法将所有文件下载到 files 文件夹及其原始文件名（例如 files/foo.png ）：

import os
from urllib.parse import urlparse

from scrapy.pipelines.images import ImagesPipeline

class MyImagesPipeline(ImagesPipeline):

    def file_path(self, request, response=None, info=None, *, item=None):
        return 'files/' + os.path.basename(urlparse(request.url).path)

同样，您可以使用 item 根据某些项属性确定文件路径。

默认情况下 ​file_path()​ 方法返回 full/<request URL hash>.<extension> .

get_media_requests(item, info)

工作方式与 FilesPipeline.get_media_requests() 方法，但对图像URL使用不同的字段名。

必须返回每个图像URL的请求。

item_completed(results, item, info)

这个 ​ImagesPipeline.item_completed()​ 当一个项目的所有图像请求都已完成时（要么已完成下载，要么由于某种原因失败），将调用方法。

工作方式与 FilesPipeline.item_completed() 方法，但使用不同的字段名存储图像下载结果。

默认情况下， ​item_completed()​ 方法返回项。