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(shù)據(jù)放在MySQL數(shù)據(jù)庫中保存。
有關python操作MySQL數(shù)據(jù)庫的內(nèi)容,網(wǎng)上已經(jīng)有很多內(nèi)容可以參考了,但都是在同步的操作MySQL數(shù)據(jù)庫。在數(shù)據(jù)量不大的情況下,這種方法固然可以,但是一旦數(shù)據(jù)量增長后,MySQL就會出現(xiàn)崩潰的情況,因為網(wǎng)上爬蟲的速度要遠遠高過往數(shù)據(jù)庫中插入數(shù)據(jù)的速度。為了避免這種情況發(fā)生,我們就需要使用異步的方法來存儲數(shù)據(jù),爬蟲與數(shù)據(jù)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(shù)據(jù)。我們今天選擇伯樂在線這個網(wǎng)站來爬取,只爬取第一頁的數(shù)據(jù)。
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(fā)出請求,這里只爬取一頁數(shù)據(jù),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(nèi)容放在MySQL數(shù)據(jù)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(guī)則存放在數(shù)據(jù)庫中,實現(xiàn)對解析規(guī)則的動態(tài)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(shù)據(jù)都是list型,因此還需要在items.py中再對相對應的數(shù)據(jù)進行處理。
接下來我們就來看看items.py是如何處理list數(shù)據(jù)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(nèi)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(shù)據(jù)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(shù),一個是input_processor,另一個是output_processor,這兩個參數(shù)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(shù)據(jù)庫,下面是我自己設計的數(shù)據(jù)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(shù)據(jù)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(zhí)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(zhí)行具體的插入 #根據(jù)不同的item 構(gòu)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(shù) 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(shù)據(jù)庫中插入5個字段的數(shù)據(jù),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(shù),它可以從settings.py文件中取出我們想想要的數(shù)據(jù),這里我們把數(shù)據(jù)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(shù)do_insert,然后把它傳給dbpool中用于插入真正的數(shù)據(jù)。
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(xiàn)在我們可以跑一程序吧。
scrapy crawl jobbole
下面是運行結(jié)果的截圖
好了,以上就是今天的全部內(nèi)容了。
以上就是本文的全部內(nèi)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(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。