之前一直在写有关scrapy爬虫的事情，今天我们看看使用scrapy如何把爬到的数据放在mysql数据库中保存。
有关python操作mysql数据库的内容，网上已经有很多内容可以参考了，但都是在同步的操作mysql数据库。在数据量不大的情况下，这种方法固然可以，但是一旦数据量增长后，mysql就会出现崩溃的情况，因为网上爬虫的速度要远远高过往数据库中插入数据的速度。为了避免这种情况发生，我们就需要使用异步的方法来存储数据，爬虫与数据存储互不影响。
为了显示方便，我们把程序设计的简单一点，只是爬一页的数据。我们今天选择伯乐在线这个网站来爬取，只爬取第一页的数据。
首先我们还是要启动一个爬虫项目，然后自己建了一个爬虫的文件jobbole.py。我们先来看看这个文件中的代码
|
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
|
# -*- 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.获取列表页中的文章url
"""
# 解析列表汇中所有文章url并交给scrapy下载器并进行解析
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("")# 这里取出每篇文章的封面图，并作为meta传入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()
# 通过itemloader加载item
# 通过add_css后的返回值都是list型，所有我们再items.py要进行处理
item_loader = articleitemloader(item = jobbolearticleitem(), response = response)
item_loader.add_css("title", ".entry-header h1::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 h10::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
|
这里我把代码进行了简化，首先对列表页发出请求，这里只爬取一页数据，然后分析每一页的url，并且交给scrapy对每一个url进行请求，得到每篇文章的详情页，把详情页的相关内容放在mysql数据库中。
这里使用itemloader来进行页面的解析，这样解析有个最大的好处就是可以把解析规则存放在数据库中，实现对解析规则的动态加载。但是要注意一点是使用itemloader中css方式和xpath方式得到的数据都是list型，因此还需要在items.py中再对相对应的数据进行处理。
接下来我们就来看看items.py是如何处理list数据的。
|
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
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
|
# -*- 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中的评论内容
if "评论" in value:
# 这里做了修改，如果返回""，则在list中仍然会占位，会变成类似于["程序员",,"解锁"]这样
# return ""
return none
else:
return value
def return_value(value):
return
class articleitemloader(itemloader):
"""docstring for ariticleitemloader"""
# 自定义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)
)
# 这里注意front_image_url还是一个list，在进行sql语句时还需要处理
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要做另行处理，因为tags我们需要的就是list
tags = scrapy.field(
input_processor = mapcompose(remove_comment_tags),
output_processor = join(",")
)
content = scrapy.field()
|
首先我们看到定义了一个类articleitemloader，在这个类中只有一句话，就是对于每个items都默认采用list中的第一个元素，这样我们就可以把每个items中的第一个元素取出来。但是要注意，有些items我们是必须要用list型的，比如我们给imagepipeline的数据就要求必须是list型，这样我们就需要对front_image_url单独进行处理。这里我们做了一个小技巧，对front_image_url什么都不错，因为我们传过来的front_image_url就是list型
在items的field中有两个参数，一个是input_processor，另一个是output_processor，这两个参数可以帮助我们对items的list中的每个元素进行处理，比如有些需要用md5进行加密，有些需要用正则表达式进行筛选或者排序等等。
在进行mysql的pipeline之前，我们需要设计数据库，下面是我自己设计的数据库的字段，仅供参考
这里我把url_object_id作为该表的主键，由于它不会重复，所以适合做主键。
下面我们来看看数据库的pipeline。
|
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
|
# -*- 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"""
#采用异步的机制写入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将mysql插入变成异步执行
query = self.dbpool.runinteraction(self.do_insert, item)
query.adderrback(self.handle_error, item, spider) #处理异常
return item
def handle_error(self, failure, item, spider):
# 处理异步插入的异常
print (failure)
def do_insert(self, cursor, item):
#执行具体的插入
#根据不同的item 构建不同的sql语句并插入到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函数
cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"], item["url_object_id"]))
|
在这里我们只是演示一下，我们只向数据库中插入5个字段的数据，分别是title，url，create_date，fav_nums，url_object_id。
当然你也可以再加入其它的字段。
首先我们看看from_settings这个函数，它可以从settings.py文件中取出我们想想要的数据，这里我们把数据库的host，dbname，username和password都放在settings.py中。实际的插入语句还是在process_item中进行，我们自己定义了一个函数do_insert，然后把它传给dbpool中用于插入真正的数据。
最后我们来看看settings.py中的代码，这里就很简单了。
|
1
2
3
4
|
mysql_host = "localhost"
mysql_dbname = "article_wilson"
mysql_user = "root"
mysql_password = "root"
|
其实这里是和pipeline中的代码是想对应的，别忘了把在settings.py中把pipeline打开。
|
1
2
3
4
5
6
7
8
9
10
|
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，现在我们可以跑一程序吧。
scrapy crawl jobbole
下面是运行结果的截图
好了，以上就是今天的全部内容了。
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/Wilson_Iceman/article/details/79270235