Scrapy数据存储到数据库

Scrapy数据存储到数据库

存储数据的三个关键步骤

  • spider获取数据
  • 定义item创建数据结构
  • 定义pipeline处理数据并保存

创建spider并获取数据

目标:获取豆瓣的电影名(仅第一页)

from bs4 import BeautifulSoup

import scrapy

from douban.items import DoubanItem


class Douban250(scrapy.Spider):
    name = "douban250"
    allowed_domains = ["movie.douban.com"]
    start_urls = ["https://movie.douban.com/top250"]

    def parse(self, response):
        soup = BeautifulSoup(response.body, 'lxml')
        hd_tags = soup.find_all('div', class_='hd')
        title = []
        for i in hd_tags:
            title.append(i.find_all('span', class_='title')[0].text)

        douban_item = DoubanItem()
        douban_item['title'] = title
        yield douban_item

解析方式为bs4为例

此时获取到的数据组成一个列表传递给douban_item管道

item接受数据

# item.py
import scrapy


class DoubanItem(scrapy.Item):
    title = scrapy.Field()

pipeline存储数据

# pipeline.py
import pymysql
from itemadapter import ItemAdapter


class DoubanPipeline:
    # 初始化Mysql数据库
    def __init__(self):
        self.conn = pymysql.connect(
            host='127.0.0.1',
            port=3306,
            user='root',
            password='666',
            database='douban',
            charset='utf8'
        )
        # 创建游标
        self.cursor = self.conn.cursor()
	
    # 关闭爬虫方法(提交事务并关闭)
    def close_spider(self, spider):
        self.conn.commit()
        self.conn.close()

    def process_item(self, item, spider):
        # 获取item中的'title' 不存在则为空字符串
        title = item.get('title', '')
        for i in title:
            # 遍历title列表并执行sql语句
            self.cursor.execute(
                'insert into douban250 (title) values (%s)',
                (i,)
            )
        return item
  • 9
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值