溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
之前一直在寫有關scrapy爬蟲的事情，今天我們看看使用scrapy如何把爬到的數據放在MySQL數據庫中保存。
有關python操作MySQL數據庫的內容，網上已經有很多內容可以參考了，但都是在同步的操作MySQL數據庫。在數據量不大的情況下，這種方法固然可以，但是一旦數據量增長后，MySQL就會出現崩潰的情況，因為網上爬蟲的速度要遠遠高過往數據庫中插入數據的速度。為了避免這種情況發生，我們就需要使用異步的方法來存儲數據，爬蟲與數據存儲互不影響。
為了顯示方便，我們把程序設計的簡單一點，只是爬一頁的數據。我們今天選擇伯樂在線這個網站來爬取，只爬取第一頁的數據。
首先我們還是要啟動一個爬蟲項目，然后自己建了一個爬蟲的文件jobbole.py。我們先來看看這個文件中的代碼
# -*- coding: utf-8 -*-
import io
import sys
import scrapy
import re
import datetime
from scrapy.http import Request
from urllib import parse
from ArticleSpider.items import JobboleArticleItem, ArticleItemLoader
from scrapy.loader import ItemLoader
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
class JobboleSpider(scrapy.Spider):
"""docstring for JobboleSpider"""
name = "jobbole"
allowed_domain = ["blog.jobbole.com"]
start_urls = ['http://blog.jobbole.com/all-posts/']
def parse(self, response):
"""
1.獲取列表頁中的文章url
"""
# 解析列表匯中所有文章url并交給scrapy下載器并進行解析
post_nodes = response.css("#archive .floated-thumb .post-thumb a")
for post_node in post_nodes:
image_url = post_node.css("img::attr(src)").extract_first("")# 這里取出每篇文章的封面圖，并作為meta傳入Request
post_url = post_node.css("::attr(href)").extract_first("")
yield Request(url = parse.urljoin(response.url, post_url), meta = {"front_image_url":image_url}, callback = self.parse_detail)
def parse_detail(self, response):
article_item = JobboleArticleItem()
# 通過ItemLoader加載Item
# 通過add_css后的返回值都是list型，所有我們再items.py要進行處理
item_loader = ArticleItemLoader(item = JobboleArticleItem(), response = response)
item_loader.add_css("title", ".entry-header h2::text")
item_loader.add_value("url", response.url)
# item_loader.add_value("url_object_id", get_md5(response.url))
item_loader.add_value("url_object_id", response.url)
item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text")
item_loader.add_value("front_image_url", [front_image_url])
item_loader.add_css("praise_nums", ".vote-post-up h20::text")
item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text")
item_loader.add_css("fav_nums", ".bookmark-btn::text")
item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text")
item_loader.add_css("content", "div.entry")
article_item = item_loader.load_item()
print(article_item["tags"])
yield article_item
pass
這里我把代碼進行了簡化，首先對列表頁發出請求，這里只爬取一頁數據，然后分析每一頁的url，并且交給scrapy對每一個url進行請求，得到每篇文章的詳情頁，把詳情頁的相關內容放在MySQL數據庫中。
這里使用itemloader來進行頁面的解析，這樣解析有個最大的好處就是可以把解析規則存放在數據庫中，實現對解析規則的動態加載。但是要注意一點是使用itemloader中css方式和xpath方式得到的數據都是list型，因此還需要在items.py中再對相對應的數據進行處理。
接下來我們就來看看items.py是如何處理list數據的。
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import datetime
import re
import scrapy
from scrapy.loader import ItemLoader
from scrapy.loader.processors import MapCompose, TakeFirst,Join
from ArticleSpider.utils.common import get_md5
def convert_date(value):
try:
create_date = datetime.datetime.strptime(create_date, "%Y/%m/%d").date()
except Exception as e:
create_date = datetime.datetime.now().date()
return create_date
def get_nums(value):
match_re = re.match(".*?(\d+).*", value)
if match_re:
nums = int(match_re.group(1))
else:
nums = 0
return nums
def remove_comment_tags(value):
# 去掉tags中的評論內容
if "評論" in value:
# 這里做了修改，如果返回""，則在list中仍然會占位，會變成類似于["程序員",,"解鎖"]這樣
# return ""
return None
else:
return value
def return_value(value):
return
class ArticleItemLoader(ItemLoader):
"""docstring for AriticleItemLoader"""
# 自定義ItemLoader
default_output_processor = TakeFirst()
class ArticlespiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
class JobboleArticleItem(scrapy.Item):
"""docstring for ArticlespiderItem"""
title = scrapy.Field()
create_date = scrapy.Field(
input_processor = MapCompose(convert_date)
)
url = scrapy.Field()
url_object_id = scrapy.Field(
output_processor = MapCompose(get_md5)
)
# 這里注意front_image_url還是一個list，在進行sql語句時還需要處理
front_image_url = scrapy.Field(
output_processor = MapCompose(return_value)
)
front_image_path = scrapy.Field()
praise_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
comment_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
fav_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
# tags要做另行處理，因為tags我們需要的就是list
tags = scrapy.Field(
input_processor = MapCompose(remove_comment_tags),
output_processor = Join(",")
)
content = scrapy.Field()
首先我們看到定義了一個類ArticleItemloader，在這個類中只有一句話，就是對于每個items都默認采用list中的第一個元素，這樣我們就可以把每個items中的第一個元素取出來。但是要注意，有些items我們是必須要用list型的，比如我們給ImagePipeline的數據就要求必須是list型，這樣我們就需要對front_image_url單獨進行處理。這里我們做了一個小技巧，對front_image_url什么都不錯，因為我們傳過來的front_image_url就是list型
在items的Field中有兩個參數，一個是input_processor，另一個是output_processor，這兩個參數可以幫助我們對items的list中的每個元素進行處理，比如有些需要用md5進行加密，有些需要用正則表達式進行篩選或者排序等等。
在進行mysql的pipeline之前，我們需要設計數據庫，下面是我自己設計的數據庫的字段，僅供參考
這里我把url_object_id作為該表的主鍵，由于它不會重復，所以適合做主鍵。
下面我們來看看數據庫的pipeline。
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import codecs
import json
from twisted.enterprise import adbapi
import MySQLdb
import MySQLdb.cursors
class MysqlTwistedPipeline(object):
"""docstring for MysqlTwistedPipeline"""
#采用異步的機制寫入mysql
def __init__(self, dbpool):
self.dbpool = dbpool
@classmethod
def from_settings(cls, settings):
dbparms = dict(
host = settings["MYSQL_HOST"],
db = settings["MYSQL_DBNAME"],
user = settings["MYSQL_USER"],
passwd = settings["MYSQL_PASSWORD"],
charset='utf8',
cursorclass=MySQLdb.cursors.DictCursor,
use_unicode=True,
)
dbpool = adbapi.ConnectionPool("MySQLdb", **dbparms)
return cls(dbpool)
def process_item(self, item, spider):
#使用twisted將mysql插入變成異步執行
query = self.dbpool.runInteraction(self.do_insert, item)
query.addErrback(self.handle_error, item, spider) #處理異常
return item
def handle_error(self, failure, item, spider):
# 處理異步插入的異常
print (failure)
def do_insert(self, cursor, item):
#執行具體的插入
#根據不同的item 構建不同的sql語句并插入到mysql中
# insert_sql, params = item.get_insert_sql()
# print (insert_sql, params)
# cursor.execute(insert_sql, params)
insert_sql = """
insert into jobbole_article(title, url, create_date, fav_nums, url_object_id)
VALUES (%s, %s, %s, %s, %s)
"""
# 可以只使用execute，而不需要再使用commit函數
cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"], item["url_object_id"]))
在這里我們只是演示一下，我們只向數據庫中插入5個字段的數據，分別是title，url，create_date，fav_nums，url_object_id。
當然你也可以再加入其它的字段。
首先我們看看from_settings這個函數，它可以從settings.py文件中取出我們想想要的數據，這里我們把數據庫的host，dbname，username和password都放在settings.py中。實際的插入語句還是在process_item中進行，我們自己定義了一個函數do_insert，然后把它傳給dbpool中用于插入真正的數據。
最后我們來看看settings.py中的代碼，這里就很簡單了。
MYSQL_HOST = "localhost" MYSQL_DBNAME = "article_wilson" MYSQL_USER = "root" MYSQL_PASSWORD = "root"
其實這里是和pipeline中的代碼是想對應的，別忘了把在settings.py中把pipeline打開。
ITEM_PIPELINES = {
# 'ArticleSpider.pipelines.ArticlespiderPipeline': 300,
# 'ArticleSpider.pipelines.JsonWithEncodingPipeline': 1
# # 'scrapy.pipelines.images.ImagePipeline': 1,
# 'ArticleSpider.pipelines.JsonExporterPipleline': 1
# 'ArticleSpider.pipelines.ArticleImagePipeline': 2
# 'ArticleSpider.pipelines.MysqlPipeline': 1
'ArticleSpider.pipelines.MysqlTwistedPipeline': 1
}
好了，現在我們可以跑一程序吧。
scrapy crawl jobbole
下面是運行結果的截圖
好了，以上就是今天的全部內容了。
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
