前言:
OK,通过签名两篇文章《爬虫利器初体验(1)》《听说你的爬虫又被封了?(2)》,我们初体验也过了,爬虫代码健壮性也升级为 PLUS 了。都分析到这个地步了,是不是感觉还少了点什么?对,我们还没保存数据呀?不保存,这不是瞎忙活吗?
Items:
item 是我们保存数据的容器,其类似于 python 中的字典。使用 item 的好处在于: Item 提供了额外保护机制来避免拼写错误导致的未定义字段错误。且看栗子:
import scrapy
class Doubantop250Item(scrapy.Item):
title = scrapy.Field() # 电影名字
star = scrapy.Field() # 电影评分
quote = scrapy.Field() # 脍炙人口的一句话
movieInfo = scrapy.Field() # 电影的描述信息,包括导演、主演、电影类型
Pipelines:
pipelines.py 一般我们用于保存数据,其方法的一些介绍如下图。下面,我会分多种方式来保存我们的数据,避免你耍流氓。
保存到 Json:
import json
class JsonPipeline(object):
file_name = base_dir + '/doubanTop250/data.json' # json 文件路径
def process_item(self, item, spider):
file = open(self.file_name, 'r', encoding='utf-8')
load_data = json.load(file)
load_data.append({"title": item["title"].strip()}) # 追加数据
file = open(self.file_name, 'w', encoding='utf-8')
json.dump(load_data, file, ensure_ascii=False) # 保存数据
file.close()
return item
- 示例图:
保存到 CSV:
def appendDta2Csv(self, file_name, new_headers, new_data):
with open(file_name,'r') as f:
f_csv = csv.reader(f)
try:# 如何有源文件没有 headers ,将调用传进来的 headers
headers = next(f_csv)
except:
headers = new_headers
old_data = list(f_csv)
old_data.append(new_data) # 追加新的数据
with open(file_name, 'w') as f2:# 保存数据
f_csv = csv.writer(f2)
f_csv.writerow(headers)
f_csv.writerows(old_data)
f2.close()
f.close()
def process_item(self, item, spider):
self.appendDta2Csv(self.file_name, ["title"], [item["title"].strip()])
return item
- 示例图:
保存到 MongoDB:
from pymongo import MongoClient
import os
base_dir = os.getcwd()
class MongoPipeline(object):
# 实现保存到mongo数据库的类,
collection = 'douban' # mongo 数据库的 collection 名字
def __init__(self, mongo_uri, db_name, db_user, db_pass):
self.mongo_uri = mongo_uri
self.db_name = db_name
self.db_user = db_user
self.db_pass = db_pass
@classmethod
def from_crawler(cls, crawler):
# scrapy 为我们访问settings提供了这样的一个方法,这里,
# 我们需要从 settings.py 文件中,取得数据库的URI和数据库名称
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
db_name=crawler.settings.get('DB_NAME'),
db_user=crawler.settings.get('DB_USER'),
db_pass=crawler.settings.get('DB_PASS'))
def open_spider(self, spider): # 爬虫启动时调用,连接到数据库
self.client = MongoClient(self.mongo_uri)
self.zfdb = self.client[self.db_name]
self.zfdb.authenticate(self.db_user, self.db_pass)
def close_spider(self, spider): # 爬虫关闭时调用,关闭数据库连接
self.client.close()
def process_item(self, item, spider):
self.zfdb[self.collection].insert({"title": item["title"].strip()})
return item
- 示例图:
保存到 MySQL:
from sqlalchemy import create_engine, Column, Integer, String, BIGINT, ForeignKey, UniqueConstraint, Index, and_, \
or_, inspect
from sqlalchemy.orm import sessionmaker, relationship, contains_eager
class MysqlPipeline(object):
MYSQL_URI = 'mysql+pymysql://username:password@localhost:3306/db_name'
# echo 为 True 将会输出 SQL 原生语句
engine = create_engine(MYSQL_URI, echo=True)
from sqlalchemy.ext.declarative import declarative_base
Base = declarative_base()
# 创建单表
class Movie(Base):
__tablename__ = 'movies'
id = Column(BIGINT, primary_key=True, autoincrement=True)
title = Column(String(200))
# 初始化数据库
def init_db(self):
self.Base.metadata.create_all(self.engine)
# 删除数据库
def drop_db(self):
self.Base.metadata.drop_all(self.engine)
def open_spider(self, spider): # 爬虫启动时调用,连接到数据库
self.init_db()
Session = sessionmaker(bind=self.engine)
self.session = Session()
def process_item(self, item, spider):
new_movie = self.Movie(title=item["title"].strip())
self.session.add(new_movie)
self.session.commit()
return item
- 示例图:
在写好相关的 pipeline 之后,需要在 settings.py 中启用相关的 pipeline,后面的数字为调用的优先级,数字是0-1000,你可以自定义。你可以所有格式都保存,也可以注释掉其他,值保留一个。
ITEM_PIPELINES = {
'doubanTop250.pipelines.MongoPipeline': 300,
'doubanTop250.pipelines.MysqlPipeline': 301,
'doubanTop250.pipelines.CsvPipeline': 302,
'doubanTop250.pipelines.JsonPipeline': 303,
}