mysql json表设计_第九篇 数据表设计和保存item到json文件

上节说到Pipeline会拦截item，根据设置的优先级，item会依次经过这些Pipeline，所以可以通过Pipeline来保存文件到json、数据库等等。

下面是自定义json

#存储item到json文件

classJsonWithEncodingPipeline(object):def __init__(self):#使用codecs模块来打开文件，可以帮我们解决很多编码问题,下面先初始化打开一个json文件

importcodecs

self.file= codecs.open('article.json','w',encoding='utf-8')#接着创建process_item方法执行item的具体的动作

defprocess_item(self, item, spider):importjson#注意ensure_ascii入参设置成False，否则在存储非英文的字符会报错

lines = json.dumps(dict(item),ensure_ascii=False) + "\n"self.file.write(lines)#注意最后需要返回item，因为可能后面的Pipeline会调用它

returnitem#最后关闭文件

defspider_close(self,spider):

self.file.close()

scrapy内置了json方法：

from scrapy.exporters import JsonItemExporter

除了JsonItemExporter，scrapy提供了多种类型的exporter

classJsonExporterPipeline(object):#调用scrapy提供的json export导出json文件

def __init__(self):#打开一个json文件

self.file = open('articleexport.json','wb')#创建一个exporter实例,入参分别是下面三个，类似前面的自定义导出json

self.exporter = JsonItemExporter(self.file,encoding='utf-8',ensure_ascii=False)#开始导出

self.exporter.start_exporting()defclose_spider(self,spider):#完成导出

self.exporter.finish_exporting()#关闭文件

self.file.close()#最后也需要调用process_item返回item

defprocess_item(self, item, spider):

self.exporter.export_item(item)return item

和自定义json相比，存的文件由【】

通过源码可以看到如下：

接着是如何把数据存储到mysql，我这开发环境是ubuntu，支持的mysql-client工具不多，免费的就用Mysql Workbench,也可以使用navicat(要收费)

spider要创建的一张表，和ArticleSpider项目里的item一一对应就行。

然后接下来是配置程序连接mysql

这里我使用第三方库pymysql来连接mysql，安装方式很简单，可以使用pycharm内置的包安装，也可以在虚拟环境用pip安装

然后直接在pipline里创建mysql的pipline

importpymysqlclassMysqlPipeline(object):def __init__(self):"""初始化，建立mysql连接conn，并创建游标cursor"""self.conn=pymysql.connect(

host='localhost',

database='spider',

user='root',

passwd='123456',

charset='utf8',

use_unicode=True

)

self.cursor=self.conn.cursor()defprocess_item(self,item,spider):#要执行的sql语句

insert_sql = """insert into jobbole_article(title,create_date,url,url_object_id,

front_image_url,front_image_path,praise_num,comment_num,fav_num,tags,content)

VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"""

#使用游标的execute方法执行sql

self.cursor.execute(insert_sql,(item["title"],item['create_date'],

item['url'],item['url_object_id'],

item['front_image_url'],item['front_image_path'],

item['praise_num'],item['comment_num'],item['fav_num'],

item['tags'],item['content']))#commit提交才能生效

self.conn.commit()return item

上面的这种mysql存储方式是同步的，也就是execute和commit不执行玩，是不能继续存储数据的，而且明显的scrapy爬取速度会比数据存储到mysql的速度快些，

所以scrapy提供了另外一种异步的数据存储方法(一种异步的容器，还是需要使用pymysql)

首先把mysql的配置连接信息写进setting配置文件，方便后期修改

MYSQL_HOST = "localhost"MYSQL_DBNAME= 'spider'MYSQL_USER= "root"MYSQL_PASSWORD= "123456"

接着在pipeline中导入scrapy提供的异步的接口：adbapi

from twisted.enterprise import adbapi

完整的pipeline如下：

classMysqlTwistedPipeline(object):#下面这两个函数完成了在启动spider的时候，就把dbpool传入进来了

def __init__(self,dbpool):

self.dbpool=dbpool#通过下面这种方式，可以很方便的拿到setting配置信息

@classmethoddeffrom_settings(cls,setting):

dbparms=dict(

host= setting['MYSQL_HOST'],

db= setting['MYSQL_DBNAME'],

user= setting['MYSQL_USER'],

password= setting['MYSQL_PASSWORD'],

charset= 'utf8',#cursorclass = pymysql.cursors.DictCursor,

use_unicode=True,

)#创建连接池，

dbpool = adbapi.ConnectionPool("pymysql",**dbparms)returncls(dbpool)#使用twisted将mysql插入变成异步执行

defprocess_item(self, item, spider):#指定操作方法和操作的数据

query =self.dbpool.runInteraction(self.do_insert,item)#处理可能存在的异常，hangdle_error是自定义的方法

query.addErrback(self.handle_error,item,spider)defhandle_error(self,failure,item,spider):print(failure)defdo_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 = """insert into jobbole_article(title,create_date,url,url_object_id,

front_image_url,front_image_path,praise_num,comment_num,fav_num,tags,content)

VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"""

#使用游标的execute方法执行sql

cursor.execute(insert_sql, (item["title"], item['create_date'],

item['url'], item['url_object_id'],

item['front_image_url'], item['front_image_path'],

item['praise_num'], item['comment_num'], item['fav_num'],

item['tags'], item['content']))

注意：导入pymysql需要单独导入cursors

importpymysqlimport pymysql.cursors

一般我们只需要修改do_insert方法内容就行

还有，传递给的item要和数据表的字段对应上，不能以为不传值就会自动默认为空(但是存储到json文件就是这样)

除了pymysql，还可以通过安装mysqlclient连接数据库，但安装前需要先安装别的包，否则会报错

ubuntu需要安装：

(one_project) laoni@ubuntu:~$ sudo apt-get install libmysqlclient-dev

centos下需要安装：

(one_project) laoni@ubuntu:~$ sudo yum install python-devel mysql-devel