在Python中，数据存储方式分为同步存储和异步存储。同步写入速度比较慢，而爬虫速度比较快，有可能导致数据保存不完整，一部分数据没有入库。而异步可以将爬虫和写入数据库操作分开执行，互不影响，所以写入速度比较快，能够保证数据的完整性。
异步存储数据库大致看分为以下步骤：
1. 在settings中配置Mysql链接需要的参数(主机地址、用户账号、密码、需要操作的表名、编码格式等)
2. 自定义Pipeline，实现from_settings函数
3. from twisted.enterprise import adbapi 引入连接池模块
4. from pymysql import cursors 引入游标模块
5. 在from_settings中，准备链接数据库参数，创建db_pool连接池，创建返回当前类的对象，传入db_pool
6. 实现初始化函数,在初始化函数中,将db_pool赋值self的属性
7. 实现process_item函数
7.1 query = self.db_pool.runInteraction(执行插入数据操作的函数对象，函数需要参数)，并接受执行返回结果
7.2 query.addErrback(错误回调函数，函数需要参数)，添加执行sql失败回调的函数，在回调函数中对错误数据进一步处理
8. 实现插入数据操作的函数，准备sql，执行sql
9. 实现错误回调函数，在回调函数中对错误数据进一步处理
下面，我们以天堂图片网为例，大致熟悉一下异步存储：
1. 在存储之前，可以选择手动创建数据库（表名、字段名、字段类型等自己定义），也可以选择代码创建。
2. 存储数据之前还得先拿到数据
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
import scrapy
from ..items import ImgItem
class IvskySpider(scrapy.Spider):
name = 'ivsky'
allowed_domains = ['ivsky.com']
start_urls = ['http://www.ivsky.com/tupian/ziranfengguang/']
def parse(self, response):
imgs = response.xpath('//div[@class="il_img"]/a/img')
for img in imgs:
alt = img.xpath('@alt').extract_first('')
src = img.xpath('@src').extract_first('')
item = ImgItem()
item['alt'] = alt
item['src'] = src
yield item
|
3. 自定义item，并把数据传进去
|
1
2
3
4
5
6
7
8
9
10
11
|
import scrapy
class IvskySpiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
class ImgItem(scrapy.Item):
alt = scrapy.Field()
src = scrapy.Field()
|
4. 接下来就是settings中的配置，代码如下（robots协议记得改为False）：
|
1
2
3
4
5
|
MYSQL_HOST = '127.0.0.1'
MYSQL_USER = 'root'
MYSQL_PW = '123456'
MYSQL_DB = 'ivskydb'
MYSQL_CHARSET = 'utf8'
|
5. 再然后自定义pipeline，并把该pipeline在settings中配置（设置优先级）：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
|
from twisted.enterprise import adbapi
from pymysql import cursors
class TwistedMysqlPipeline(object):
# 在调用TwistedMysqlPipeline时，第一个调用该函数
@classmethod
def from_settings(cls, settings):
#准备需要用到的链接mysql的参数
db_prams = dict(
host=settings['MYSQL_HOST'],
user=settings['MYSQL_USER'],
password=settings['MYSQL_PW'],
db=settings['MYSQL_DB'],
port=3306,
use_unicode=True,
charset=settings['MYSQL_CHARSET'],
# 指定使用的游标类型
cursorclass=cursors.DictCursor
)
# 创建连接池对象，需要传入两个参数
# 1.使用操作mysql第三方包名
# 2.连接数据库需要的参数
db_pool = adbapi.ConnectionPool('pymysql', **db_prams)
return cls(db_pool)
def __init__(self, db_pool):
# 将连接池对象赋值self.db_pool属性
self.db_pool = db_pool
def process_item(self, item, spider):
# 准备sql
# 执行sql
# 执行一个将item数据写入数据库的动作
# 1.执行操作的函数
# 2.执行函数需要的参数....
query = self.db_pool.runInteraction(self.insert_item, item)
# 执行sql出现异常错误时，回调的函数
query.addErrback(self.handle_error, item, spider)
return item
# 插入数据出现错误时，回调的函数
def handle_error(self, failure, item, spider):
print(failure)
print(item)
# 执行插入数据的函数
def insert_item(self, cursor, item):
# 创建sql
sql = "INSERT INTO ivs(alt,src)VALUES(%s,%s)"
# 执行sql
cursor.execute(sql,(item['alt'], item['src']))
|
6. pipeline在settings中的配置
|
1
2
3
4
|
ITEM_PIPELINES = {
# 'ivsky_spider.pipelines.MysqlPipeline': 300,
'ivsky_spider.pipelines.TwistedMysqlPipeline': 300,
}
|
代码到这里就结束了。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/qq_42598133/article/details/82667732