Scrapy中将数据保存到Excel和MySQL中

Scrapy是一个用Python实现的为了爬取网站数据、提取数据的应用框架。我们对于爬取到的数据存储到本地或数据库是经常要用到的操作。主要讲解两种保存方式：

• Excel
• MySQL

说明一下爬取到的数据：

爬取豆瓣读书top250网页的相关信息：

书名title、链接link、国家country、作者author、翻译者translator、出版社publisher、出版时间time、价格price、星级star、评分score、评分人数people、简介comment

1. Excel

主要讲解两种方式：openpyxl和pandas

1.1 openpyxl

class ExcelPipeline:
    def __init__(self):
        # 创建Excel文件
        self.wb = Workbook()
        # 选取第一个工作表
        self.ws = self.wb.active
        # 写入表头
        self.ws.append(['title', 'link', 'country',
                        'author', 'translator', 'publisher',
                        'time', 'price', 'star', 'score',
                        'people', 'comment'
                        ])

    def process_item(self, item, spider):
        self.ws.append([
            item.get('title', ''),
            item.get('link', ''),
            item.get('country', ''),
            item.get('author', ''),
            item.get('translator', ''),
            item.get('publisher', ''),
            item.get('time', ''),
            item.get('price', ''),
            item.get('star', ''),
            item.get('score', ''),
            item.get('people', ''),
            item.get('comment', '')
        ])
        return item

    def close_spider(self, spider):
        self.wb.save('result.xlsx')

1.1.1 代码说明

ExcelPipeline 继承自 Scrapy 的 Pipeline 类，并重写了三个方法：__init__()、process_item() 和 close_spider()。

1. 在 __init__() 方法中：

   • 创建了一个 Excel 文件，并选取了第一个工作表。然后，我们写入了表头。
   • 当然你也可以将这部分代码写在open_spider方法中

2. 在 process_item() 方法中，我们将每一行的数据写入到工作表中。

   process_item 方法：

   • 不会覆盖之前已经写入的数据，它会在数据末尾追加新的行。
   • 你调用多次 process_item 方法，每次都会在表格的末尾追加一行新数据。

3. 在 close_spider() 方法中，我们保存 Excel 文件。

1.1.2 注意

可以发现我在process_item()方法中使用了item.get(key, default)：

• 考虑可能存在某些 item 中没有某些键值的情况，这可能会导致程序出错。

  当然如果你已经进行过数据处理也可以直接用item[key]。

• 使用了 item.get(key, default) 方法来获取 item 中的键值，如果某个键不存在，则返回一个空字符串 ''

在 Scrapy 中，item 是一个字典类型，它由一系列键值对组成，每个键值对表示一个字段。在处理 item 时，我们通常需要从中获取某个字段的值。使用字典的 get 方法可以方便地实现这个功能。

get 方法有两个参数：key 表示要获取的键，default 表示键不存在时的默认值。例如：

1.2 pandas

class ExcelPipeline:
    def __init__(self):
        # 创建一个空的数据框
        self.df = pd.DataFrame(columns=['title', 'link', 'country',
                                        'author', 'translator', 'publisher',
                                        'time', 'price', 'star', 'score',
                                        'people', 'comment'
                                        ])

    def process_item(self, item, spider):
        # 将数据添加到数据框中
        item['title'] = item.get('title', '')
        item['link'] = item.get('link', '')
        item['country'] = item.get('country', '')
        item['author'] = item.get('author', '')
        item['translator'] = item.get('translator', '')
        item['publisher'] = item.get('publisher', '')
        item['time'] = item.get('time', '')
        item['price'] = item.get('price', '')
        item['star'] = item.get('star', '')
        item['score'] = item.get('score', '')
        item['people'] = item.get('people', '')
        item['comment'] = item.get('comment', '')
        series = pd.Series(item)
        self.df = self.df.append(series, ignore_index=True)
        return item

    def close_spider(self, spider):
        # 将数据框保存到 Excel 文件中
        self.df.to_excel('result.xlsx', index=False)

1.2.1 代码说明

定义了一个 ExcelPipeline 类，它包含了三个方法：__init__、process_item 和 close_spider。

1. __init__ 方法用于初始化类实例
2. process_item 方法用于处理每个爬取到的 item，将其添加到 items 列表中
3. close_spider 方法用于在爬虫关闭时将 items 列表中的数据保存到 Excel 文件中。

1.2.2 常见错误

1. 在代码中有大量的item['title'] = item.get('title', '')类似代码

   你可以选择不写，但如果item中有一些字段的值为None，而pandas不支持将None类型的值添加到DataFrame中，会导致程序错误。这一点比openpyxl要严格的多。

2. 字典对象转换为Series对象

   self.df是一个DataFrame对象，而item是一个字典对象。因此，需要将字典对象转换为Series对象，然后再将其添加到DataFrame中。

   series = pd.Series(item)
   self.df = self.df.append(series, ignore_index=True)
   

   only Series and DataFrame objs are valid这个错误一般就是发生在使用Pandas将数据转换成DataFrame时，传入的参数不是Series或DataFrame类型。

   上面的代码就是用来避免这个问题的。

1.3 openpyxl和pandas对比

pandas和openpyxl都是非常强大的Python数据处理库，两者在不同的场景下可以发挥出各自的优势。

• 如果需要处理大量的Excel文件，需要对文件进行复杂的操作，比如格式化、图表等，那么openpyxl可能更适合，因为它专注于Excel文件的读写和操作，具有更高的灵活性和控制力。
• 如果数据已经在Python中，且需要进行各种统计分析和处理，如数据聚合、数据透视表、数据分组、数据清洗、数据可视化等，那么pandas可能更适合，因为它提供了丰富的数据处理工具和函数。

总的来说，两者都是很好的工具，具体使用哪一个取决于具体需求和场景。

2. MYSQL

可以使用Python的MySQL驱动程序，例如 mysql-connector-python 或 pymysql。主要将pymysql。

class MySQLPipeline:
    def __init__(self):
        # 连接 MySQL 数据库
        self.conn = pymysql.connect(
            host='localhost',
            port=3306,
            user='root',
            password='your_password',
            database='your_database',
            charset='utf8mb4',
            cursorclass=pymysql.cursors.DictCursor
        )
        # 创建一个游标对象
        self.cursor = self.conn.cursor()
        # 创建表
        self.create_table()

    def create_table(self):
        # SQL 语句：创建数据表
        sql = '''CREATE TABLE IF NOT EXISTS `book` (
            `id` int(11) NOT NULL AUTO_INCREMENT,
            `title` varchar(255) NOT NULL,
            `link` varchar(255) NOT NULL,
            `country` varchar(255) NOT NULL,
            `author` varchar(255) NOT NULL,
            `translator` varchar(255) NOT NULL,
            `publisher` varchar(255) NOT NULL,
            `time` varchar(255) NOT NULL,
            `price` varchar(255) NOT NULL,
            `star` varchar(255) NOT NULL,
            `score` varchar(255) NOT NULL,
            `people` varchar(255) NOT NULL,
            `comment` varchar(255) NOT NULL,
            PRIMARY KEY (`id`)
        ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci'''
        # 执行 SQL 语句
        self.cursor.execute(sql)
        # 提交事务
        self.conn.commit()

    def process_item(self, item, spider):
        # SQL 语句：插入数据
        sql = '''INSERT INTO `book` (
                `title`, `link`, `country`,
                `author`, `translator`, `publisher`,
                `time`, `price`, `star`, `score`,
                `people`, `comment`
            ) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)'''
        # 执行 SQL 语句
        self.cursor.execute(sql, (
            item['title'], item['link'], item['country'],
            item['author'], item['translator'], item['publisher'],
            item['time'], item['price'], item['star'], item['score'],
            item['people'], item['comment']
        ))
        # 提交事务
        self.conn.commit()
        return item

    def close_spider(self, spider):
        # 关闭游标对象
        self.cursor.close()
        # 关闭数据库连接
        self.conn.close()

2.1 代码说明

我们创建了一个名为MySQLPipeline的自定义ScrapyPipeline。

1. __init__方法中接收了MySQL数据库的配置信息。

   其中还调用了create_table，当然如果保证表已经存在，也没有必要这么写

   如果你嫌每次连接都要写信息的话，可以在setting.py中定义MySQL相关变量：

   

2. create_table方法创建表book

3. process_item方法用于将抓取的数据插入到数据库表中。

4. close_spider方法用于关闭游标和连接。

2.2 pymysql介绍

2.2.1 游标对象

在Python中，连接数据库时需要创建一个数据库连接对象，然后通过这个连接对象创建一个游标对象。

游标对象是执行数据库操作的主要对象，它负责向数据库发送查询和获取结果。

在Python中，常用的游标对象有Cursor、DictCursor、SSCursor等。

• Cursor：普通游标（默认），返回结果为元组类型。

• DictCursor：字典游标，返回结果为字典类型。

• SSCursor：嵌套游标，可用于处理大数据集。

  在获取大量数据时效率比普通游标更高，但是会占用更多的系统资源。

  与普通游标相比，嵌套游标不会将整个查询结果读入内存，而是每次只读取部分数据。

根据需要，选择不同类型的游标对象可以方便我们对返回结果进行处理。

2.2.2 各种游标说明

创建连接对象时有这么一段代码：

cursorclass=pymysql.cursors.DictCursor

用于设置游标返回的数据类型，默认返回的是元组(tuple)类型，设置为DictCursor后可以返回字典(dict)类型，更方便处理数据。一般使用普通游标就行了

三种游标主要是在查询时的方式存在区别：

cur = conn.cursor()
cur.execute('SELECT * FROM my_table')
result = cur.fetchone()  # 获取一条记录，返回的是元组类型
# 普通游标
print(result[0])  # 访问第一个字段的值
# 字典游标
print(result['id'])  # 访问数据库中字段名为 id 的字段的值，{'id': 1, 'name': 'Alice'}

# 嵌套游标
print(result[0])  # 访问第一个字段的值

如果是查询的多条数据，则返回的是元组或字典组成的列表：

# 普通游标
[(1, 'John', 'Doe'), (2, 'Jane', 'Doe'), (3, 'Bob', 'Smith')]
# 字典游标
[{'id': 1, 'first_name': 'John', 'last_name': 'Doe'}, {'id': 2, 'first_name': 'Jane', 'last_name': 'Doe'}, {'id': 3, 'first_name': 'Bob', 'last_name': 'Smith'}]

3. 特别说明

• 每个item在被提交给管道时都会调用一次管道类的process_item方法。

• 每个item都会经过process_item方法进行处理，而open_spider和close_spider方法只会在爬虫启动和结束时执行一次。

• 在Scrapy中，可以通过在管道类的open_spider和close_spider方法中建立和关闭数据库连接，以减少连接建立和关闭的次数。

  __init__方法也是只在Spider启动时只执行一次

• 具体做法是，在open_spider方法中建立数据库连接，在process_item方法中使用连接对数据进行存储操作，在close_spider方法中关闭连接。这样做可以有效减少连接的建立和关闭次数，提高爬取效率。

  如果你在open_spider方法中创建了数据库连接，那么这个连接将会被共享并被多个process_item方法使用。

  同样的，如果在close_spider方法中关闭了数据库连接，那么这个连接也会被所有的process_item方法共享并在爬虫结束时关闭。

  这种做法可以减少不必要的连接和关闭操作，从而提高性能。