Python集成Scrapy向Elasticsearch写入数据的两种实现方案

Hazel

发布时间：2026-10-14| 6人浏览过

原创

本文解析在Python Scrapy爬虫中将数据存入Elasticsearch的两种方法。首先介绍基于elasticsearch-dsl的基础写入，指出其无法控制主键导致重复数据的问题。随后详解第二种方法，通过Elasticsearch客户端指定自定义_id实现覆盖插入，并展示如何在settings.py中注册Pipeline及执行查询操作，适用于ES 5.6.1版本。

本文详细解析了利用Python将数据插入Elasticsearch的操作方法，通过具体示例代码展示了实现过程，为相关学习与工作提供实用参考。

环境准备与依赖安装

在使用Scrapy构建爬虫时，通常需要将抓取的数据存储至Elasticsearch（简称ES）。经过调研，总结了两种可行的实现方式，此处进行记录与分享。

环境配置方面，首先确保已安装Elasticsearch服务，本文示例使用的版本为5.6.1，属于较早的稳定版本。

接着，通过pip工具安装与ES版本相匹配的Python客户端包，以确保库函数兼容。

pip install elasticsearch-dsl==5.1.0

方案一：基于elasticsearch-dsl的基础写入

第一种实现方式如下：

以下是pipelines.py模块的完整代码实现，用于定义Scrapy的数据处理管道。


# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import chardet

class SinafinancespiderPipeline(object):
  def process_item(self, item, spider):
    return item


# 写入到es中,需要在settings中启用这个类 ExchangeratespiderESPipeline
# 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应
from elasticsearch_dsl import Date,Nested,Boolean,analyzer,Completion,Keyword,Text,Integer,DocType
from elasticsearch_dsl.connections import connections
connections.create_connection(hosts=['192.168.52.138'])
from elasticsearch import Elasticsearch
es = Elasticsearch()

class AticleType(DocType):
  page_from = Keyword()
  # domain报错
  domain=Keyword()
  cra_url=Keyword()
  spider = Keyword()
  cra_time = Keyword()
  page_release_time = Keyword()
  page_title = Text(analyzer="ik_max_word")
  page_content = Text(analyzer="ik_max_word")
class Meta:
    index = "scrapy"
    doc_type = "sinafinance"
    # 以下settings和mappings都没起作用，暂且记下
    settings = {
      "number_of_shards": 3,
    }
    mappings = {
      '_id':{'path':'cra_url'}
    }


class ExchangeratespiderESPipeline(DocType):
  from elasticsearch5 import Elasticsearch
  ES = ['192.168.52.138:9200']
  es = Elasticsearch(ES,sniff_on_start=True)

  def process_item(self, item, spider):

    spider.logger.info("-----enter into insert ES")
    article = AticleType()

    article.page_from=item['page_from']
    article.domain=item['domain']
    article.cra_url =item['cra_url']
    article.spider =item['spider']
    article.cra_time =item['cra_time']
    article.page_release_time =item['page_release_time']
    article.page_title =item['page_title']
    article.page_content =item['page_content']

    article.save()
    return item

上述方法虽然能将数据成功写入ES，但在重复爬取场景下会导致数据重复插入。原因在于该方法中“_id”主键由ES自动生成，缺乏指定自定义_id的入口，因此该方案被放弃。

方案二：自定义主键覆盖插入

第二种方法旨在实现自定义主键写入，支持覆盖插入操作，避免数据冗余。


# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from elasticsearch5 import Elasticsearch

class SinafinancespiderPipeline(object):
  def process_item(self, item, spider):
    return item


# 写入到es中,需要在settings中启用这个类 ExchangeratespiderESPipeline
# 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应
class SinafinancespiderESPipeline():
  def __init__(self):
    self.ES = ['192.168.52.138:9200']
    # 创建es客户端
    self.es = Elasticsearch(
      self.ES,
      # 启动前嗅探es集群服务器
      sniff_on_start=True,
      # es集群服务器结点连接异常时是否刷新es结点信息
      sniff_on_connection_fail=True,
      # 每60秒刷新节点信息
      sniffer_timeout=60
    )

  def process_item(self, item, spider):
    spider.logger.info("-----enter into insert ES")
    doc = {
      'page_from': item['page_from'],
      'domain': item['domain'],
      'spider': item['spider'],
      'page_release_time': item['page_release_time'],
      'page_title': item['page_title'],
      'page_content': item['page_content'],
      'cra_url': item['cra_url'],
      'cra_time': item['cra_time']
    }
    self.es.index(index='scrapy', doc_type='sinafinance', body=doc, id=item['cra_url'])

    return item

数据查询与CRUD操作示例

在写入数据的同时，也可以执行数据搜索操作，示例代码如下：


# 字典形式设置body
query = {
 'query': {
  'bool': {
   'must': [
    {'match': {'_all': 'python web'}}
   ],
   'filter': [
    {'term': {'status': 2}}
   ]
  }
 }
}
ret = es.search(index='articles', doc_type='article', body=query)

# 查询数据
data = es.search(index='articles', doc_type='article', body=body)
print(data)
# 增加
es.index(...)
# 修改
es.update(...)
# 删除
es.delete()

完成代码编写后，需要进行配置注册。

Pipeline配置注册

在settings.py模块中注册自定义的Pipeline类，以启用ES写入功能。


ITEM_PIPELINES = {
  # 'sinafinancespider.pipelines.SinafinancespiderPipeline': 300,
  'sinafinancespider.pipelines.SinafinancespiderESPipeline': 300,
}

以上即为Python集成Scrapy向Elasticsearch写入数据的核心内容，希望能为读者提供有益帮助。