爬虫学习 step_05 爬取的数据放入数据库

采用的是mysql-connector驱动：

db = mysql.connector.connect(user='root', password='******', database='luntan', charset='utf8') #初始化一个数据库对象

mysqldb驱动的话为：

db = MySQLdb..connect(user='root', password='******', database='luntan', charset='utf8')

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2018-05-06 15:41:13
# Project: v2ex

from pyspider.libs.base_handler import *
import random
import mysql.connector

class Handler(BaseHandler):
    crawl_config = {
    }
    def __init__(self):
        self.db = mysql.connector.connect(user='root', password='nankai416', database='luntan', charset='utf8') #初始化一个数据库对象
        
    def add_question(self,title,content):
        try:
            cursor = self.db.cursor() #获取一个数据库游标
            sql = 'insert into question(title, content, user_id, created_date,comment_count) values("%s", "%s" , %d, now() , 0) '%(title,content,random.randint(0,10),)  #定义一个sql语句
            print sql
            cursor.execute(sql)   #执行sql语句
            qid = cursor.lastrowid   #打印出最近插入的数据的id
            print qid
            self.db.commit()   #提交事务
        except Exception, e:
            print e.message
            self.db.rollback()   #出现异常回滚
        self.db.close  #关闭数据库连接
    
    
    
    
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('https://www.v2ex.com/?tab=tech', callback=self.index_page,validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items():
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)
    
    @config(priority=2)
    def tab_page(self, response):
        for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)
            
            
    @config(priority=2)
    def board_page(self, response):
        for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():
            url = each.attr.href
            if url.find('#reply') > 0:
                url = url[0:url.find('#')]
            self.crawl(url, callback=self.detail_page, validate_cert=False)        
            
    
    
    @config(priority=2)
    def detail_page(self, response):
        title = response.doc('h1').text()
        content = response.doc('div.topic_content').html().replace('" ','\\')  #数据库中不能带有“等字符，替换掉
        self.add_question(title,content) #爬取的数据插入数据库中
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }

插入后效果：

insert into question(title, content, user_id, created_date,comment_count) values("有深圳的 V2er 不？", "想做牙齿矫正，然后想要问下有没有同学做过的，在深圳有哪些推荐的。
<br />北大和港大两个医院实在是约不到号，人太多了，太难了。
<br />其他医院或者医生有没有 v2er 做过的，可以推荐一下。" , 5, now() , 0) 
17
{'title': u'有深圳的 V2er 不？ - V2EX',
 'url': 'https://www.v2ex.com/t/452557'}

显示在自己项目中如图：

源数据：

实现多页爬取：

先查看分页的特点：

都是page_normal

代码：

@config(priority=2)
    def board_page(self, response):
        for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():   #爬取当前页面
            url = each.attr.href
            if url.find('#reply') > 0:
                url = url[0:url.find('#')]
            self.crawl(url, callback=self.detail_page, validate_cert=False)   
        for each in response.doc('a.page_normal').items():   #抓取页面后，继续抓取翻页的链接
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #抓取翻页后，注意此时的callback为他自己，继续循环抓取当前页面和其他翻页

代码写完后：

调到running模式

参数意义为1秒钟跑0.1次，也可以自行修改

就开始不停的跑了！