(给Python开发者加星标,提升Python技能)
作者:Zone (本文来自作者投稿)
前言
通过前面两篇文章《爬虫利器 Scrapy 初体验(1)》《Scrapy 爬虫(2):听说你的爬虫又被封了?》,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
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
保存到 CSV
def appendDta2Csv(self, file_name, new_headers, new_data):
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
保存到 MySQL
and
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,
}
瞎比比
数据保存就说到这里了,给公号发送「20190103」获取源码。
【本文作者】
Zone:一只爱折腾的后端攻城狮,喜欢写文分享。个人公众号:zone7
推荐阅读
(点击标题可跳转阅读)
用 Python 全自动下载抖音小姐姐视频
爬取虎嗅 5 万篇文章告诉你怎么样取标题
爬虫进阶:反反爬虫技巧
觉得本文对你有帮助?请分享给更多人
关注「Python开发者」加星标,提升Python技能
喜欢就点一下「好看」呗~