爬虫文件写入mysql中_scrapy爬虫成长日记之将抓取内容写入mysql数据库

前面小试了一下scrapy抓取博客园的博客(您可在此查看scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据)，但是前面抓取的数据时保存为json格式的文本文件中的。这很显然不满足我们日常的实际应用，接下来看下如何将抓取的内容保存在常见的mysql数据库中吧。

说明：所有的操作都是在“scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据”的基础上完成，如果您错过了这篇文章可以移步这里查看scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据

环境：mysql5.1.67-log

操作步骤：

1、检查python是否支持mysql

[root@bogon ~]# python

Python 2.7.10 (default, Jun 5 2015, 17:56:24)

[GCC 4.4.4 20100726 (Red Hat 4.4.4-13)] on linux2

Type "help", "copyright", "credits" or "license" for more information.

>>> import MySQLdb

Traceback (most recent call last):

File "", line 1, in

ImportError: No module named MySQLdb

如果出现：ImportError: No module named MySQLdb则说明python尚未支持mysql，需要手工安装，请参考步骤2；如果没有报错，请调到步骤3

2、python安装mysql支持

[root@bogon ~]# pip install mysql-python

Collecting mysql-python

Downloading MySQL-python-1.2.5.zip (108kB)

100% |████████████████████████████████| 110kB 115kB/s

Building wheels for collected packages: mysql-python

Running setup.py bdist_wheel for mysql-python

Stored in directory: /root/.cache/pip/wheels/8c/0d/11/d654cad764b92636ce047897dd2b9e1b0cd76c22f813c5851a

Successfully built mysql-python

Installing collected packages: mysql-python

Successfully installed mysql-python-1.2.5

安装完以后再次运行步骤1，检查python是否已经支持mysql

如果还有问题您可以尝试：LC_ALL=C pip install mysql-python

如果依然报错：error: Python.h: No such file or directory

您可以尝试先安装python-devel：

yum install python-devel

3、创建数据库和表

CREATE DATABASE cnblogsdb DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci;

CREATE TABLE `cnblogsinfo` (

`linkmd5id` char(32) NOT NULL COMMENT 'url md5编码id',

`title` text COMMENT '标题',

`description` text COMMENT '描述',

`link` text COMMENT 'url链接',

`listUrl` text COMMENT '分页url链接',

`updated` datetime DEFAULT NULL COMMENT '最后更新时间',

PRIMARY KEY (`linkmd5id`)

) ENGINE=MyISAM DEFAULT CHARSET=utf8;

注意：

a)、创建数据库的时候加上DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci，这样才不至于出现乱码。我就因为这个问题折腾了很久。

b)、数据库表的编码为utf8

4、设置mysql配置信息

根据前面的文章(scrapy爬虫成长日记之创建工程-抽取数据-保存为json格式的数据)我们可以知道，最终scrapy是通过pipelines.py对抓取的结果进行处理的。很显然要保存到mysql数据库中的话，修改pipelines.py这个文件是在所难免的了。然而在进行mysql操作的时候，我们需要先连上数据库，这时候就设计到数据库连接字符串的问题了。我们可以直接写死在pipelines.py文件中，但是这样又不利于程序的维护，因此我们可以考虑将配置信息写在项目的配置文件settings.py中。

settings.py中添加如下配置项

# start MySQL database configure setting

MYSQL_HOST = 'localhost'

MYSQL_DBNAME = 'cnblogsdb'

MYSQL_USER = 'root'

MYSQL_PASSWD = 'root'

# end of MySQL database configure setting

5、修改pipelines.py

修改完的结果如下，需要注意的pipelines.py中定义了两个类。JsonWithEncodingCnblogsPipeline是写入json文件用的，而MySQLStoreCnblogsPipeline(需要记住，后面会用到哦！)才是写入数据库用的。

MySQLStoreCnblogsPipeline类做的主要功能有

a)、读取数据库配置文件，并生成数据库实例，主要通过类方法from_settings实现，

b)、如果url不存在则直接写入，如果url存在则更新，通过自定义的方法_do_upinsert实现，

c)、确保url唯一性的md5函数_get_linkmd5id 。

[root@bogon cnblogs]# more pipelines.py

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

# Define your item pipelines here

#

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

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

from scrapy import signals

import json

import codecs

from twisted.enterprise import adbapi

from datetime import datetime

from hashlib import md5

import MySQLdb

import MySQLdb.cursors

class JsonWithEncodingCnblogsPipeline(object):

def __init__(self):

self.file = codecs.open('cnblogs.json', 'w', encoding='utf-8')

def process_item(self, item, spider):

line = json.dumps(dict(item), ensure_ascii=False) + "\n"

self.file.write(line)

return item

def spider_closed(self, spider):

self.file.close()

class MySQLStoreCnblogsPipeline(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)

#pipeline默认调用

def process_item(self, item, spider):

d = self.dbpool.runInteraction(self._do_upinsert, item, spider)

d.addErrback(self._handle_error, item, spider)

d.addBoth(lambda _: item)

return d

#将每行更新或写入数据库中

def _do_upinsert(self, conn, item, spider):

linkmd5id = self._get_linkmd5id(item)

#print linkmd5id

now = datetime.utcnow().replace(microsecond=0).isoformat(' ')

conn.execute("""

select 1 from cnblogsinfo where linkmd5id = %s

""", (linkmd5id, ))

ret = conn.fetchone()

if ret:

conn.execute("""

update cnblogsinfo set title = %s, description = %s, link = %s, listUrl = %s, updated = %s where linkmd5id = %s

""", (item['title'], item['desc'], item['link'], item['listUrl'], now, linkmd5id))

#print """

# update cnblogsinfo set title = %s, description = %s, link = %s, listUrl = %s, updated = %s where linkmd5id = %s

#""", (item['title'], item['desc'], item['link'], item['listUrl'], now, linkmd5id)

else:

conn.execute("""

insert into cnblogsinfo(linkmd5id, title, description, link, listUrl, updated)

values(%s, %s, %s, %s, %s, %s)

""", (linkmd5id, item['title'], item['desc'], item['link'], item['listUrl'], now))

#print """

# insert into cnblogsinfo(linkmd5id, title, description, link, listUrl, updated)

# values(%s, %s, %s, %s, %s, %s)

#""", (linkmd5id, item['title'], item['desc'], item['link'], item['listUrl'], now)

#获取url的md5编码

def _get_linkmd5id(self, item):

#url进行md5处理，为避免重复采集设计

return md5(item['link']).hexdigest()

#异常处理

def _handle_error(self, failue, item, spider):

log.err(failure)

6、启用MySQLStoreCnblogsPipeline类，让它工作起来

修改setting.py配置文件，添加MySQLStoreCnblogsPipeline的支持

ITEM_PIPELINES = {

'cnblogs.pipelines.JsonWithEncodingCnblogsPipeline': 300,

'cnblogs.pipelines.MySQLStoreCnblogsPipeline': 300,

}

至此，所有的需要修改的文件都修改好了，下面测试看结果如何。

7、测试

[root@bogon cnblogs]# scrapy crawl CnblogsSpider

查看数据库结果：

至此，scrapy抓取网页内容写入数据库的功能就已经实现了。然而这个爬虫的功能还太弱小了，最基本的文件下载、分布式抓取等都功能都还不具备；同时也试想一下现在很多网站的反爬虫抓取的，万一碰到这样的网站我们要怎么处理呢？接下来的一段时间里我们来逐一解决这些问题吧。随便畅想一下，如果爬虫足够强，内容足够多；我们是不是可以打造一个属于自己的垂直搜索引擎呢？想想就兴奋，尽情YY去吧！！！

http://www.w2bc.com/Article/44862