scrapy mysql 实例_Scrapy爬虫实例教程（二）---数据存入MySQL

本文将详细描述使用scrapy爬去左岸读书所有文章并存入本地MySql数据库中，文中所有操作都是建立在scrapy已经配置完毕，并且系统中已经安装了Mysql数据库(有权限操作数据库)。

为了避免读者混淆，这里也使用tutorial作为scrapy project名称(工程的名字可以有读者自己定制)。

1. 建立tutorial工程:

scrapy startproject tutorial

2. 解析左岸文章结构:

左岸读书为读者提供了一些优美文章，喜欢的读者可以自行订阅(在这里提博主打广告啦[不用谢^_^])

站中所有文章都以列表的形式列出，每篇文章链接都给出了文章摘要和相应的信息(如作者，发布时间，分类信息，阅读量等信息)在列表底端给出了下一个列表的链接，具体如下图所示

点击相应的文章题目可以链接到具体的文章内容页面，读者可以自己实验试下，这里不再赘述。

3. 建立mysql数据库 : 建立mysql数据库 crawed

(1)create database crawed;

(2)use crawed;

在数据库中建立zreading数据表，这里我们要抓取文章标题，作者，文章发表日期，文章类别，文章标签，阅读量及文章内容，建立如下数据表

CREATE TABLE `zreading` (

`title` varchar(100) NOT NULL,

`author` varchar(50) NOT NULL,

`pub_date` varchar(30) DEFAULT NULL,

`types` varchar(50) DEFAULT NULL,

`tags` varchar(50) DEFAULT NULL,

`view_counts` varchar(20) DEFAULT '0',

`content` text

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

4. 在items.py中编写需要抓取的内容

items.py是爬虫根据用户兴趣定义爬去内容的文件，用户可以根据自己的需求，定义相应的class，爬虫在解析网页时根据解析规则生成item类对象

这里根据我们步骤3中的数据类别建立如下类：

class TutorialItem(scrapy.Item):

# define the fields for your item here like:

# name = scrapy.Field()

title = scrapy.Field()

author = scrapy.Field()

pub_date = scrapy.Field()

types = scrapy.Field()

tags = scrapy.Field()

view_count = scrapy.Field()

content = scrapy.Field()

5. 编辑pipelines.py文件

pipelines.py是设置抓取内容存储方式的文件，例如可以存储到mysql或是json文件中，读者可以根据自己实际需求选择相应的方式，本例中选择存储到mysql中。

from twisted.enterprise import adbapi

import MySQLdb

import MySQLdb.cursors

from scrapy.crawler import Settings as settings

class TutorialPipeline(object):

def __init__(self):

self.dbpool = adbapi.ConnectionPool('MySQLdb',host='127.0.0.1',db = 'crawed',user = 'root',passwd = 'xxx',charset='utf8')

'''

The default pipeline invoke function

'''

def process_item(self, item,spider):

res = self.dbpool.runInteraction(self.insert_into_table,item)

return item

def insert_into_table(self,conn,item):

conn.execute('insert into zreading(title,author,pub_date,types,tags,view_counts,content) values(%s,%s,%s,%s,%s,%s,%s)', (item['title'],item['author'],item['pub_date'],item['types'],item['tags'],item['view_count'],item['content']))

6. 在settings.py中设置pipeline

当使用pipeline保存抓取内容时，需要设置相应的pipeline类，以便让系统知道根据什么方式进行存储，在settings.py中加入一下代码

ITEM_PIPELINES = {

'tutorial.pipelines.TutorialPipeline': 300,

}

7. 解析网页，抓取需要内容

经过以上6步，所有的配置的工作已经结束，接下来，我们的重点就是如何从网页中解析出我们所需要的内容，在解析过程中需要借助一些开发插件，比如firefox的firebug，chrome的开发者工具，本例中使用chrome的开发工具。

在这一步我们需要编写网页解析的具体逻辑-如何处理网页，得到我们所需的内容。在spiders目录下，新建zreading.py文件，然后定义zreadingCrawl爬虫(继承scrapy的BaseSpider即可)

class zreadingCrawl(BaseSpider):

name = "zreading" # the name of spider

allowed_domain = ['zreading.cn'] # allowed domain for spiders

start_urls = [

'http://www.zreading.cn' #the start url / the entrance of spider

]

具体的解析过程如下：

a. 首先解析左岸的文章列表，使用chrome的开发者工具，在文章标题处右击，点击检查，然后复制为xpath路径。在解析网页是就可以根据这个路径定位到你所需的内容，这里我们只是想获得文章的连接，所有我们只需要提取文章题目链接的

href属性值即可，在文章目录页中，有两种我们需要的链接，一种是文章内容的链接，另一种则是文章列表的下一页，对于文章内容链接我们可以直接请求响应的URL，然后解析内容即可；而对于目录链接则可以从头解析(也即请求目录页然后进一步解析)。

由上述可知，这是一个不断循环的过程，直至没有下一页为止。

b. 在解析的过程中，对于每次的解析内容，都需要进行处理，如在提取标题时，得到的内容前后包括很多空格，而且为了避免在数据库出现乱码，所有数据都编码成utf8。这里我们需要编写

c. 具体代码如下(在zreadingCrawl中添加如下函数)：

def parse(self,response):

if response.url.endswith('html'):

item = self.parsePaperContent(response)

else:

# get all the page links in list Page

sel = Selector(response)

links = sel.xpath('//*[@id="content"]/article/header/h2/a/@href').extract()

for link in links:

yield Request(link,callback=self.parse)

# get the next page to visitr

next_pages = sel.xpath('//*[@id="content"]/div/a[@class="next"]/@href').extract()

if len(next_pages) != 0:

yield Request(next_pages[0],callback=self.parse)

# record the list page

yield item

def parsePaperContent(self,response):

print "In parsse paper content function......"

# get the page number '5412.html'

# page_id = response.url.split('/')[-1].split('.')[0] ----- OK

r =re.match(r'\d+',response.url.split('/')[-1])

page_id = r.group()

# instantie the item

zding = TutorialItem()

sel = Selector(response)

#add tilte

title = sel.xpath("//div[@id='content']/article/header/h2/text()").extract()[0]

s_title = title.encode("utf-8")

zding['title'] = s_title.lstrip().rstrip()

#add pub_date

pub_date = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[1]/text()').extract()[0]

s_pub_date = pub_date.encode("utf8")

zding['pub_date'] = s_pub_date.lstrip().rstrip()

#add author

author = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[2]/a/text()').extract()[0]

s_author = author.encode("utf8")

zding['author'] = s_author.lstrip().rstrip()

#add tags including type and paper tags

tags = sel.xpath('//*[@id="'+page_id+'"]/div[2]/a/text()').extract()

tags = [s.encode('utf8') for s in tags]

zding['types'] = tags[0]

zding['tags'] = "+".join(tags[1:])

#add view count

views = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[3]/text()').extract()[0]

r = re.search(r'\d+',views)

view_count = int(r.group())

zding['view_count'] = view_count

#add content

content = sel.xpath('//*[@id="'+page_id+'"]/div[3]/p/text()').extract()

zding['content'] = "\n".join(content)

#return the item

return zding

8. 在命令行下运行

scrapy crawl zreading

在屏幕中会闪解析过的网页和解析得到的item，等运行完毕后查看数据库中的zreading表的内容，这里因为文章较长，不再单独贴图。