欢迎关注【无量测试之道】公众号,回复【领取资源】,
Python编程学习资源干货、
Python+Appium框架APP的UI自动化、
Python+Selenium框架Web的UI自动化、
Python+Unittest框架API自动化、
资源和代码 免费送啦~
文章下方有公众号二维码,可直接微信扫一扫关注即可。
今天这篇文章主要是分享两个技术点。
第一:翻页数据如何处理;
第二:构建一个db pipeline来获取数据并入库。
第一部分:翻页处理
在前面的文章中已经能够正常的提取我们想要的页面数据了,但是这只是一个页面想要的数据,如果是有很多页面的数据要处理,我们如何来爬取了。
page=1
start_urls=[] #这个是scrapy框架中定义好的,不可以修改
while (page < 7): #根据自身爬取的页面来定义
print("the page is:", page)
url = 'http://lab.scrapyd.cn/page/' + str(page) #对翻页的链接进行拼接
start_urls.append(url) #追加到上面定义好的列表中去
page += 1 #好让循环可以退出
def parse(self, response):
items=LabItem()
for sel in response.xpath('//div[@class="col-mb-12 col-8"]'):
print(sel)
for i in range(len(sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()'))):
title = sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()')[i].get()
author = sel.xpath('//div[@class="quote post"]//small[@class="author"]/text()')[i].get()
items["title"]=title
items["author"] = author
yield items
源码中会不断的遍历start_urls这个列表里面的链接地址,并向这个列表里面的链接地址发出request请求,拿到response后再来解析页面数据,源码如下图所示:
第二部分:db pipeline 数据处理
Step1: 创建数据库与表,如下图所示
Step2: 创建sqlitePipeline类并配置setting.py文件
sqlitePipeline类代码如下:
class sqlitePipeline(object):
def __init__(self):
print("当爬虫执行开始的时候回调:open_spider")
self.conn = sqlite3.connect("test.db")
self.cur = self.conn.cursor()
self.table='''
create TABLE IF NOT EXISTS scrapy0725(
id INTEGER PRIMARY KEY AUTOINCREMENT,
`author` varchar(255) DEFAULT NULL,
`title` varchar(2000) DEFAULT NULL
);
'''
self.cur.execute(self.table)
def process_item(self, item, spider):
print("开始处理每一条提取出来的数据==============")
# content = json.dumps(dict(item),ensure_ascii=False)+"\n"
content = dict(item)
print("*" * 100)
insert_sql="INSERT INTO scrapy0725 (author,title) VALUES ('"+str(content['author']).replace("'","")+"','"+str(content['title']).replace("'","")+"')"
print(insert_sql)
print("*"*100)
self.cur.execute(insert_sql)
self.conn.commit()
print("*"*100)
return item
def close_spider(self, spider):
sql = "select * from scrapy0725"
result=self.cur.execute(sql)
for res in result:
print(res)
self.cur.close()
self.conn.close()
print("当爬虫执行结束的时候回调:close_spider")
setting.py 配置如下:
ITEM_PIPELINES = {
'lab.pipelines.sqlitePipeline':500,
# 'lab.pipelines.FilePipeline': 300,
}
Step3: 执行此命令 scrapy crawl labs
Step4: 查询数据库是否insert成功,如下图所示:
总结:Python + Scrapy爬虫的文章暂时就分享到这里,Scrapy的爬虫效率还是不错的,大家动手开始实践吧。
备注:我的个人公众号已正式开通,致力于测试技术的分享,包含:大数据测试、功能测试,测试开发,API接口自动化、测试运维、UI自动化测试等,微信搜索公众号:“无量测试之道”,或扫描下方二维码:
添加关注,让我们一起共同成长!