第三百四十二节，Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫数据保存

时间：2022-05-25 16:12:03

第三百四十二节，Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫数据保存

注意：数据保存的操作都是在pipelines.py文件里操作的

将数据保存为json文件

spider是一个信号检测

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

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

from scrapy.pipelines.images import ImagesPipeline  #导入图片下载器模块

import codecs

import json

class AdcPipeline(object):                      #定义数据处理类，必须继承object

    def __init__(self):

        self.file = codecs.open('shuju.json', 'w', encoding='utf-8')  #初始化时打开json文件

    def process_item(self, item, spider):       #process_item(item)为数据处理函数，接收一个item，item里就是爬虫最后yield item 来的数据对象

        # print('文章标题是：' + item['title'][0])

        # print('文章缩略图url是：' + item['img'][0])

        # print('文章缩略图保存路径是：' + item['img_tplj'])  #接收图片下载器填充的，图片下载后的路径

        #将数据保存为json文件

        lines = json.dumps(dict(item), ensure_ascii=False) + '\n'   #将数据对象转换成json格式

        self.file.write(lines)          #将json格式数据写入文件

        return item

def spider_closed(self,spider):     #创建一个方法继承spider，spider是一个信号，当前数据操作完成后触发这个方法

        self.file.close()               #关闭打开文件

class imgPipeline(ImagesPipeline):                      #自定义一个图片下载内，继承crapy内置的ImagesPipeline图片下载器类

    def item_completed(self, results, item, info):      #使用ImagesPipeline类里的item_completed()方法获取到图片下载后的保存路径

        for ok, value in results:

            img_lj = value['path']     #接收图片保存路径

            # print(ok)

            item['img_tplj'] = img_lj  #将图片保存路径填充到items.py里的字段里

        return item                    #将item给items.py 文件的容器函数

    #注意：自定义图片下载器设置好后，需要在

第三百四十二节，Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫数据保存

将数据保存到数据库

我们使用一个ORM框架sqlalchemy模块，保存数据

数据库操作文件

#!/usr/bin/env python

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

from sqlalchemy.ext.declarative import declarative_base

from sqlalchemy import Column

from sqlalchemy import Integer, String, TIMESTAMP

from sqlalchemy import ForeignKey, UniqueConstraint, Index

from sqlalchemy.orm import sessionmaker, relationship

from sqlalchemy import create_engine

#配置数据库引擎信息

ENGINE = create_engine("mysql+pymysql://root:279819@127.0.0.1:3306/cshi?charset=utf8", max_overflow=10, echo=True)

Base = declarative_base()       #创建一个SQLORM基类

class SendMsg(Base):            #设计表

    __tablename__ = 'sendmsg'

    id = Column(Integer, primary_key=True, autoincrement=True)

    title = Column(String(300))

    img_tplj = Column(String(300))

def init_db():

    Base.metadata.create_all(ENGINE)        #向数据库创建指定表

def drop_db():

    Base.metadata.drop_all(ENGINE)          #向数据库删除指定表

def session():

    cls = sessionmaker(bind=ENGINE)         #创建sessionmaker类,操作表

    return cls()

# drop_db()         #删除表

# init_db()         #创建表

pipelines.py文件

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

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

from scrapy.pipelines.images import ImagesPipeline  #导入图片下载器模块

from adc import shujuku as ORM                      #导入数据库文件

class AdcPipeline(object):                      #定义数据处理类，必须继承object

    def __init__(self):

        ORM.init_db()                           #创建数据库表

    def process_item(self, item, spider):       #process_item(item)为数据处理函数，接收一个item，item里就是爬虫最后yield item 来的数据对象

        print('文章标题是：' + item['title'][0])

        print('文章缩略图url是：' + item['img'][0])

        print('文章缩略图保存路径是：' + item['img_tplj'])  #接收图片下载器填充的，图片下载后的路径

        mysq = ORM.session()

        shuju = ORM.SendMsg(title=item['title'][0], img_tplj=item['img_tplj'])

        mysq.add(shuju)

        mysq.commit()

        return item

class imgPipeline(ImagesPipeline):                      #自定义一个图片下载内，继承crapy内置的ImagesPipeline图片下载器类

    def item_completed(self, results, item, info):      #使用ImagesPipeline类里的item_completed()方法获取到图片下载后的保存路径

        for ok, value in results:

            img_lj = value['path']     #接收图片保存路径

            # print(ok)

            item['img_tplj'] = img_lj  #将图片保存路径填充到items.py里的字段里

        return item                    #将item给items.py 文件的容器函数

    #注意：自定义图片下载器设置好后，需要在

相关文章