Scrapy第八篇:数据存储(scrapy融合peewee)

目录

1.安装依赖

2.构建模型:编辑items.py

3.传入数据:编辑Spider.py

4.保存数据:修改pipelines.py 

5.开启管道:修改settings.py

6.Sql日志


1.安装依赖

pip install peewee -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pymysql -i https://pypi.tuna.tsinghua.edu.cn/simple

2.构建模型:编辑items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import dataclasses
from dataclasses import dataclass

from peewee import MySQLDatabase, TextField, Model

db_mysql = MySQLDatabase('fast_generator', user='root', password='123456', host='localhost', port=3306)


@dataclass
class NoticeItem(Model):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)

    # 标题
    title = TextField()
    # 内容
    content = TextField()

    class Meta:
        database = db_mysql
        # 如果类名和表名驼峰相同,则此行可略;
        table_name = "notice"

3.传入数据:编辑Spider.py

import scrapy
from scrapy.http import HtmlResponse

from testproject.items import NoticeItem


class TestspiderSpider(scrapy.Spider):
    name = 'testspider'
    allowed_domains = ['ssr1.scrape.center']
    start_urls = ['https://ssr1.scrape.center/']

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url, callback=self.parse)

    def parse(self, response: HtmlResponse, **kwargs):
        yield NoticeItem(title='测试标题', content='测试内容')

4.保存数据:修改pipelines.py 

from testproject.items import NoticeItem


class TestprojectPipeline:
    def process_item(self, item, spider):
        if isinstance(item, NoticeItem):
            item.save()
            return item

5.开启管道:修改settings.py

ITEM_PIPELINES = {
   'testproject.pipelines.TestprojectPipeline': 300,
}

6.Sql日志

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文子阳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值