Python Scrapy爬虫数据写入操作
在我们写完一个爬虫项目,得到了一大堆的数据,为了以后的分析和使用,我们需要把我们得到的数据进行保存。保存数据的方式主要有:保存到数据库,保存到CSV文件,保存为JSON文件。
保存到数据库中分为同步和异步的方式:
一般小的数据,我们可以选择,同步保存数据库:
首先先准备好数据库文件和数据表
操作在pipelines.py文件中完成
将item写入数据库
importMySQLdb
classMysqlPipeine(object):
def__init__(self):
self.conn = MySQLdb.connect(
host= 'localhost',
# mysql默认端口号3306port= 3306,
user= 'root',
passwd= '123456',
db= 'db_name',
use_unicode= True,
charset= 'utf8')
self.cursor = self.conn.cursor()
# 处理item的函数defprocess_item(self, item, spider):
# 准备sql语句sql = 'insert into table_name(字段名)VALUES (字段数据,即item对象)'self.cursor.execute(sql)
self.conn.commit()
defclose_spider(self, spider):
self.cursor.close()
self.conn.close()
如果数据量较大,异步写入数据库会更高效:
同样操作在我们的pipelines文件中,但在操作之前,需要配置我们的setting文件,在其中添加我们的数据
# 自己配置一些项目信息# 数据库配置MYSQL_HOST = '127.0.0.1'MYSQL_PORT = 3306MYSQL_USER = 'root'MYSQL_PASSWD = '123456'MYSQL_CHARSET = 'utf8'MYSQL_DBNAME = 'db_name'然后在pipelines中进行我们异步写入数据库的操作:
# 将item写入数据库importMySQLdb
classMysqlPipeine(object):
def__init__(self):
self.conn = MySQLdb.connect(
host= 'localhost',
# mysql默认端口号3306port= 3306,
user= 'root',
passwd= '123456',
db= 'db_name',
use_unicode= True,
charset= 'utf8')
self.cursor = self.conn.cursor()
# 处理item的函数defprocess_item(self, item, spider):
# 准备sql语句sql = 'insert into table_name(字段名)VALUES (字段数据,即item对象)' self.cursor.execute(sql)
self.conn.commit()
defclose_spider(self, spider):
self.cursor.close()
self.conn.close()
如果数据量较大,异步写入数据库会更高效:
同样操作在我们的pipelines文件中,但在操作之前,需要配置我们的setting文件,在其中添加我们的数据
# 自己配置一些项目信息# 数据库配置MYSQL_HOST = '127.0.0.1'MYSQL_PORT = 3306MYSQL_USER = 'root'MYSQL_PASSWD = '123456'MYSQL_CHARSET = 'utf8'MYSQL_DBNAME = 'db_name'然后在pipelines中进行我们异步写入数据库的操作:
fromtwisted.enterprise importadbapi
fromMySQLdb importcursors
classMysqlTwistedPipeline(object):
@classmethod# 这个函数会自动调用deffrom_settings(cls, settings):
# 准备好连接数据库需要的参数db_params = dict(
host=settings["MYSQL_HOST"],
port=settings["MYSQL_PORT"],
user=settings["MYSQL_USER"],
passwd=settings["MYSQL_PASSWD"],
charset=settings["MYSQL_CHARSET"],
db=settings["MYSQL_DBNAME"],
use_unicode=True,
# 指定游标类型cursorclass=cursors.DictCursor
)
# 创建连接池# 1.要连接的名称 2.连接需要的参数db_pool = adbapi.ConnectionPool('MySQLdb', **db_params)
# 返回当前类的对象,并且把db_pool赋值给该类的对象returncls(db_pool)
def__init__(self, db_pool):
# 赋值self.db_pool = db_pool
# 处理item函数defprocess_item(self, item, spider):
# 把要处理的事件进行异步处理# 1.要处理的事件函数# 2.事件函数需要的参数query = self.db_pool.runInteraction(self.do_insert, item)
# 执行sql出现错误信息query.addErrback(self.handle_error, item, spider)
# 错误的原因defhandle_error(self, failure, item, spider):
printfailure
# 处理插入数据库的操作# cursor该函数是连接数据库的函数,并且放在异步去执行,cursor执行sql语句defdo_insert(self, cursor, item):
# 1.准备sql语句sql = 'insert into table_name(表中各个字段名)VALUES (各个字段对应的数据item)'# 2.用cursor游标执行sqlcursor.execute(sql)
写入CSV文件的操作:
同样操作在我们的pipelines.py文件中进行
# 写入csv文件importcsv
importcodecs
classSaveCSVFile(object):
def__init__(self):
file_handle = codecs.open('name.csv', 'w', encoding='utf-8')
# 1. 创建csv文件self.csv = csv.writer(file_handle)
self.csv.writerow(表头的信息)
defprocess_item(self, item, spider):
self.csv.writerow(表头信息所对应的每个item对象)
returnitem
def__del__(self):
# 关闭文件self.file_handle.close()
写入json文件:
importjson
classJsonPipeline(object):
def__init__(self):
self.file_handle = codecs.open('name.json', 'w', encoding='utf-8')
defprocess_item(self, item, spider):
data = json.dumps(dict(item), ensure_ascii=False) + "\n"self.file.write(data)
returnitem
def__del__(self):
# 关闭文件self.file_handle.close()
在我们完成pipelines中的函数重写后,一定要记得在setting文件中配置,以确保其能正常执行。
如果同时在pipelines中进行多种方式的写入的话,切记要在process_item函数中返回item,即return item
还有一种简单的保存csv / json文件的方法:
在编辑器命令行输入:scrapy crawl spider - o name.json / csv - s FEED_EXPROT_ENCODING = UTF8
FEED_EXPORT_ENCODING = UTF8指保证文件中的中文正常显示