Python爬虫与MongoDB的完美结合

import pymongo
from scrapy.exceptions import DropItem
 
class MongoPipeline(object):
    collection_name = 'scrapy_items'
 
    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_DATABASE', 'items_database')
        )
 
    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]
 
    def close_spider(self, spider):
        self.client.close()
 
    def process_item(self, item, spider):
        self.db[self.collection_name].insert_one(dict(item))
        return item

这段代码定义了一个MongoDB的管道类，它实现了从Scrapy项目的设置中获取MongoDB的URI和数据库名称，在爬虫开始运行时建立与MongoDB的连接，在爬取的每个项目通过process_item方法被插入到指定的集合中。在项目被丢弃时，它不会被插入到数据库中。这个类使用了from_crawler类方法来从Scrapy的配置中初始化，这是一种常见的做法，可以让代码更加简洁和高效。