mysql scrapy 重复数据_利用scrapy将爬到的数据保存到mysql（防止重复）

前言

本文主要给大家介绍了关于scrapy爬到的数据保存到mysql(防止重复)的相关内容，分享出来供大家参考学习，下面话不多说了，来一起看看详细的介绍吧。

1.环境建立

1.使用xmapp安装php, mysql ,phpmyadmin

2.安装python3，pip

3.安装pymysql

3.(windows 略)我这边是mac，安装brew，用brew 安装scrapy

2.整个流程

1. 创建数据库和数据库表，准备保存

2.写入爬虫目标URL，进行网络请求

3.对爬返回数据进行处理，得到具体数据

4.对于具体数据保存到数据库中

2.1.创建数据库

首先创建一个数据库叫scrapy，然后创建一个表article，我们这里给body加了唯一索引，防止重复插入数据

--

-- Database: `scrapy`

--

-- --------------------------------------------------------

--

-- 表的结构 `article`

--

CREATE TABLE `article` (

`id` int(11) NOT NULL,

`body` varchar(200) CHARACTER SET utf8 COLLATE utf8_bin NOT NULL,

`author` varchar(50) CHARACTER SET utf8 COLLATE utf8_bin NOT NULL,

`createDate` datetime NOT NULL

) ENGINE=InnoDB DEFAULT CHARSET=latin1;

--

-- Indexes for table `article`

--

ALTER TABLE `article`

ADD PRIMARY KEY (`id`),

ADD UNIQUE KEY `uk_body` (`body`);

弄好以后是这样的。

2.2 先看下整个爬虫项目的结构

quotes_spider.py是核心，负责对网络请求和对内容进行处理，然后对整理好的内容抛给pipelines进行具体处理，保存到数据库中，这样不会影响速度。

其他的看 图说明

2.2 写入爬虫目标URL，进行网络请求

import scrapy

from tutorial.items import TutorialItem

class QuotesSpider(scrapy.Spider):

name = "quotes"

def start_requests(self):

url = 'http://quotes.toscrape.com/tag/humor/'

yield scrapy.Request(url)

def parse(self, response):

item = TutorialItem()

for quote in response.css('div.quote'):

item['body'] = quote.css('span.text::text').extract_first()

item['author'] = quote.css('small.author::text').extract_first()

yield item

next_page = response.css('li.next a::attr("href")').extract_first()

if next_page is not None:

yield response.follow(next_page, self.parse)

start_requests 就是要写入具体要爬的URL

parse就是核心的对返回的数据进行处理的地方，然后以item的形式抛出，接下来定义好下一个要爬的内容

2.3  items

# -*- coding: utf-8 -*-

# Define here the models for your scraped items

#

# See documentation in:

# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class TutorialItem(scrapy.Item):

body = scrapy.Field()

author = scrapy.Field()

pass

2.4 pipelines

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

import pymysql

import datetime

from tutorial import settings

import logging

class TutorialPipeline(object):

def __init__(self):

self.connect = pymysql.connect(

host = settings.MYSQL_HOST,

db = settings.MYSQL_DBNAME,

user = settings.MYSQL_USER,

passwd = settings.MYSQL_PASSWD,

charset = 'utf8',

use_unicode = True

)

self.cursor = self.connect.cursor();

def process_item(self, item, spider):

try:

self.cursor.execute(

"insert into article (body, author, createDate) value(%s, %s, %s) on duplicate key update author=(author)",

(item['body'],

item['author'],

datetime.datetime.now()

))

self.connect.commit()

except Exception as error:

logging.log(error)

return item

def close_spider(self, spider):

self.connect.close();

2.5 配置

ITEM_PIPELINES = {

'tutorial.pipelines.TutorialPipeline':300

}

MYSQL_HOST = 'localhost'

MYSQL_DBNAME = 'scrapy'

MYSQL_USER = 'root'

MYSQL_PASSWD = '123456'

MYSQL_PORT = 3306

3.启动爬虫

scrapy crawl quotes

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对我们的支持。

本文标题: 利用scrapy将爬到的数据保存到mysql(防止重复)

本文地址: http://www.cppcns.com/shujuku/mysql/224294.html