scrapy mysql 实例,scrapy 使用实例

入门使用实例

# 查看帮助信息

scrapy --help

# 查看版本及组件版本信息

scrapy version -v

# 创建项目/工程

scrapy startproject 项目/工程名称

# 创建Spider(可以创建多个，但是名称不能相同)

scrapy genspider 名称 采集网址

scrapy genspider aaa aaa.com

scrapy genspider bbb bbb.com

# 列出工程中所有的Spider

scrapy list

# 查看采集网址在浏览器中的样子(命令执行完会在浏览器打开)

scrapy view http://www.baidu.com

# 在工程中用parse解析固定的网址，一般用于测试

scrapy parse http://www.baidu.com

# shell可以不在具体工程中执行

scrapy shell

# runspider 单独执行工程中的spider文件

scrapy runspider aaaaa.py

# bench执行一个基准测试

scrapy bench

spider类介绍

# 属性介绍

name：spider的名称，要求唯一

allowed_domains:准许的域名

start_urls:出事urls

custom_settings:个性化设置，会覆盖全局的设置

crawler:抓取器，spider将绑定到它上面

settings:配置实例，包含工程中所有的配置变脸

logger:日志实例

# 方法介绍

from_crawler(crawler, *args,**kwargs):类方法，用于创建spiders

start_requests():生成出事的requests

make_requests_from_url(url):根据URL生成一个request

parse(response):用来解析网页内容

log(message[,level,component]):用来记录日志，这里使用logger属性记录日志

self.logger.info("visited success")

closed(reason):当spider关闭时候调用的方法

子类介绍

CrawlSpider

# 最常用的spider,用于抓取普通的网页

# 增加了两个成员

## rules：定义了一些抓取规则-链接怎么跟踪，使用哪一个parse函数解析此链接

## parse_start_url(response):解析初始化URL的相遇

XMLFeedSpider

CSVFeedSpider

SitemapSpider

相关组件介绍

Selector：用来解析网页的库有很多，比如beautifulsoup、lxml,但在scrapy里面默认使用的是selector，相对来说也是比较好用的

# 使用

from scrapy.selector import Selector

from scrapy.http import HtmlResponse

# 使用test实例化

body = '

good'

Selector(text=body).xpath('//span/text()').extract()

# 使用response实例化

response = HtmlResponse(url='http://example.com', body=body)

Selector(response=response).xpath('//span/test()').extract()

Ltems

# 创建项目

scrapy startproject tutorial

# 创建Spider

scrapy genspider pm25

# 编写Items

import scrapy

class Pm25CityItem(scrapy.Item):

city_name = scrapy.Field() #城市的名称

home_link = scrapy.Field() #对应数据的链接地址

city_pinyin = scrapy.Field() #城市的拼音

# 完善Spider

import scrapy

from tutorial.items import Pm25CityItem

class Pm25Spider(scrapy.Spider):

name = "pm25"

allowed_domains = ["pm25.in"]

start_urls = [

'http://www.pm25.in',

]

def parse(self, response):

sel = scrapy.Selector(response)

citys = sel.xpath("//div[@class='all']/div[@class='bottom']/ul[@class='unstyled']/div[2]/li")

city_items = []

for city in citys:

city_item = Pm25CityItem()

href = ''.join(city.xpath('a/@href').extract()).strip()

city_item['city_name'] = ''.join(city.xpath('a/text()').extract()).strip().encode("UTF-8")

city_item['home_link'] = 'http://www.pm25.in' + href

city_item['city_pinyin'] = href.split('/')[1]

city_items.append(city_item)

return city_items

配置settings.py文件

# 配置MySQL数据源

MYSQL_HOST = '127.0.0.1'

MYSQL_DBNAME = 'test' #数据库名字

MYSQL_USER = 'root' #数据库账号

MYSQL_PASSWD = '123456' #数据库密码

MYSQL_PORT = 3306 #数据库端口

# 配置MySQL存储的Pipeline

ITEM_PIPELINES = {

'tutorial.pipelines.MySQLStoreDataPipeline': 300, #保存到数据库

}

# 数据的存储

from scrapy import log

from twisted.enterprise import adbapi

import datetime, uuid

import MySQLdb

import MySQLdb.cursors

class MySQLStoreDataPipeline(object):

def __init__(self, dbpool):

self.dbpool = dbpool

@classmethod

def from_settings(cls, settings):

dbargs = dict(

host=settings['MYSQL_HOST'],

db=settings['MYSQL_DBNAME'],

user=settings['MYSQL_USER'],

passwd=settings['MYSQL_PASSWD'],

charset='utf8',

cursorclass = MySQLdb.cursors.DictCursor,

use_unicode= True,)

dbpool = adbapi.ConnectionPool('MySQLdb', **dbargs)

return cls(dbpool)

def process_item(self, item, spider):

query = self.dbpool.runInteraction(self.save_city, item)

query.addErrback(self.handle_error)

return item

#插入城市的数据到tbl_all_city中

def save_city(self, conn, item):

conn.execute("""

select 1 from tbl_all_city where city_pinyin = %s

""", (item['city_pinyin'],))

ret0 = conn.fetchone()

if not ret0:

ret1 = conn.execute("""

insert into tbl_all_city(city_pinyin, city_name, home_link) values(%s, %s, %s)

""", (item['city_pinyin'], item['city_name'], item['home_link'],))

log.msg('save to tbl_all_city: %s' % ret1, level=log.INFO)

#异常处理

def handle_error(self, e):

log.err(e)

# 执行爬虫程序

scrapy crawl pm25