保存數據到MySql數據庫——我用scrapy寫爬蟲（二）

Kross 發布于2019-07-30 14:53 / 2525人閱讀

摘要：坦克大戰上簡介上的坦克大戰相信大家都玩過有逃學玩坦克的可以自己默默的扣一個了我們現在長大了，學習游戲開發了。

寫在前面

上一篇（https://www.tech1024.cn/origi... ）說了如何創建項目，并爬去網站內容，下面我們說一下如何保存爬去到的數據

開始爬取

創建Spider，上一篇我們已經創建了ImoocSpider，我們做一下修改，可以連續下一頁爬取。
scrapyDemo/spiders目錄下的ImoocSpider類：

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

import scrapy
from urllib import parse as urlparse
from scrapyDemo.ImoocCourseItem import ImoocCourseItem


# 慕課網爬取
class ImoocSpider(scrapy.Spider):
    # spider的名字定義了Scrapy如何定位(并初始化)spider，所以其必須是唯一的
    name = "imooc"

    # URL列表
    start_urls = ["http://www.imooc.com/course/list"]
    #  域名不在列表中的URL不會被爬取。
    allowed_domains = ["www.imooc.com"]

    def parse(self, response):
        learn_nodes = response.css("a.course-card")

        item = ImoocCourseItem()
        # 遍歷該頁上所有課程列表
        for learn_node in learn_nodes:
            course_url = learn_node.css("::attr(href)").extract_first()
            # 拼接課程詳情頁地址
            course_url = urlparse.urljoin(response.url, course_url)
            # 課程地址
            item["course_url"] = course_url
            # 課程圖片
            item["image"] = learn_node.css(
                "img.course-banner::attr(src)").extract_first()
            # 進入課程詳情頁面
            yield scrapy.Request(
                url=course_url, callback=self.parse_learn, meta=item)

        # 下一頁地址
        next_page_url = response.css(
            u"div.page a:contains("下一頁")::attr(href)").extract_first()
        if next_page_url:
            yield scrapy.Request(
                url=urlparse.urljoin(response.url, next_page_url),
                callback=self.parse)

    def parse_learn(self, response):
        item = response.meta
        # 課程標題
        item["title"] = response.xpath(
            "http://h2[@class="l"]/text()").extract_first()
        # 課程簡介
        item["brief"] = response.xpath(
            "http://div[@class="course-brief"]/p/text()").extract_first()
        yield item

這里用到了scrapyDemo目錄下ImoocCourseItem類，下面我就說一下。

Item數據容器

在scrapyDemo目錄下創建ImoocCourseItem.py，這個類就是我們用了保存數據的容器，我們定義了標題、圖片、簡介、地址。
scrapyDemo目錄下ImoocCourseItem類：

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

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class ImoocCourseItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    # cate = scrapy.Field()
    image = scrapy.Field()
    # desc = scrapy.Field()
    brief = scrapy.Field()
    # cate = scrapy.Field()
    course_url = scrapy.Field()
    pass

Pipeline管道

Pipeline是用來處理抓取到的數據，我們在scrapyDemo目錄下創建ScrapydemoPipeline.py類

# -*- 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 scrapyDemo.db.dbhelper import DBHelper


class ScrapydemoPipeline(object):
    # 連接數據庫
    def __init__(self):
        self.db = DBHelper()
    
    def process_item(self, item, spider):
        # 插入數據庫
        self.db.insert(item)
        return item

別忘了在配置文件中開啟管道哦，scrapyDemo目錄下的settings.py文件中，找到下ITEM_PIPELINES,修改為

ITEM_PIPELINES = {
   "scrapyDemo.pipelines.ScrapydemoPipeline": 300,
}

數據庫操作

這里面我們用到了數據庫的操作DBHelper類，那么我們在scrapyDemo/db目錄下創建dbhelper.py 模塊，記得再創建一個__init__.py哦。

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

import pymysql
from twisted.enterprise import adbapi
from scrapy.utils.project import get_project_settings  #導入seetings配置
import time


class DBHelper():
    """這個類也是讀取settings中的配置，自行修改代碼進行操作"""

    def __init__(self):
        settings = get_project_settings()  #獲取settings配置，設置需要的信息

        dbparams = dict(
            host=settings["MYSQL_HOST"],  #讀取settings中的配置
            db=settings["MYSQL_DBNAME"],
            user=settings["MYSQL_USER"],
            passwd=settings["MYSQL_PASSWD"],
            charset="utf8",  #編碼要加上，否則可能出現中文亂碼問題
            cursorclass=pymysql.cursors.DictCursor,
            use_unicode=False,
        )
        #**表示將字典擴展為關鍵字參數,相當于host=xxx,db=yyy....
        dbpool = adbapi.ConnectionPool("pymysql", **dbparams)

        self.dbpool = dbpool

    def connect(self):
        return self.dbpool

    #創建數據庫
    def insert(self, item):
        sql = "insert into tech_courses(title,image,brief,course_url,created_at) values(%s,%s,%s,%s,%s)"
        #調用插入的方法
        query = self.dbpool.runInteraction(self._conditional_insert, sql, item)
        #調用異常處理方法
        query.addErrback(self._handle_error)

        return item

    #寫入數據庫中
    def _conditional_insert(self, tx, sql, item):
        item["created_at"] = time.strftime("%Y-%m-%d %H:%M:%S",
                                           time.localtime(time.time()))
        params = (item["title"], item["image"], item["brief"],
                  item["course_url"], item["created_at"])
        tx.execute(sql, params)

    #錯誤處理方法

    def _handle_error(self, failue):
        print("--------------database operation exception!!-----------------")
        print(failue)

這里用到了pymysql和adbapi，adbapi是python的數據庫連接池，可以pip安裝：

pip install pymysql
pip install Twisted

這里面還用到了get_project_settings方法，意思是從配置文件settings.py里邊獲取數據庫配置信息，我們在scrapyDemo目錄下的settings.py文件最后加入數據庫信息

#Mysql數據庫的配置信息
MYSQL_HOST = "192.168.6.1"
MYSQL_DBNAME = "scrapy_demo_db"         #數據庫名字，請修改
MYSQL_USER = "root"             #數據庫賬號，請修改 
MYSQL_PASSWD = "abc-123"         #數據庫密碼，請修改

MYSQL_PORT = 3306               #數據庫端口，在dbhelper中使用

建表語句如下：

DROP TABLE IF EXISTS `tech_courses`;
CREATE TABLE `tech_courses` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `title` varchar(255) DEFAULT NULL,
  `image` varchar(255) DEFAULT NULL,
  `brief` varchar(255) DEFAULT NULL,
  `course_url` varchar(255) DEFAULT NULL,
  `created_at` timestamp NULL DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4;

大功告成

我們在命令行運行項目

F:	echleepythonscrapyDemo>scrapy crawl imooc
2017-10-25 23:29:18 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapyDemo)
2017-10-25 23:29:18 [scrapy.utils.log] INFO: Overridden settings: {"BOT_NAME": "scrapyDemo", "NEWSPIDER_MODULE": "scrapyDemo.spiders", "ROBOTSTXT_OBEY": True, "SPIDER_MODULES": ["scrapyDemo.spiders"]}
2017-10-25 23:29:19 [scrapy.middleware] INFO: Enabled extensions:
["scrapy.extensions.corestats.CoreStats",

……

2017-10-26 00:06:48 [scrapy.core.engine] DEBUG: Crawled (200)  (referer: http://www.imooc.com/course/list?page=26)
2017-10-26 00:06:48 [scrapy.core.scraper] DEBUG: Scraped from <200 http://www.imooc.com/learn/127>
{"course_url": "http://www.imooc.com/learn/127", "image": "http://img1.mukewang.com/53966c2c00018bed06000338-240-135.jpg", "depth": 26, "download_timeout": 180.0, "download_slot": "www.imooc.com", "retry_times": 1, "download_latency": 0.24331021308898926, "title": "玩兒轉Swift", "brief": "簡介：我們期望用戶在看完這套教程后，對swift語言的了解能達到中上水平。這意味著在接觸Cocoa Touch將一點兒都不費勁，對一些高級概念，諸如閉包 、協議、泛型、內存管理都能有所理解并且有所實踐。這套教程一定比市面上普遍看到的Swift中文教程深入，并且演示示例更豐富。"}
2017-10-26 00:06:48 [scrapy.core.engine] INFO: Closing spider (finished)
2017-10-26 00:06:48 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{"downloader/exception_count": 24,
 "downloader/exception_type_count/twisted.internet.error.TimeoutError": 24,
 "downloader/request_bytes": 359595,
 "downloader/request_count": 836,
 "downloader/request_method_count/GET": 836,
 "downloader/response_bytes": 8680952,
 "downloader/response_count": 812,
 "downloader/response_status_count/200": 812,
 "finish_reason": "finished",
 "finish_time": datetime.datetime(2017, 10, 25, 16, 6, 48, 884826),
 "item_scraped_count": 779,
 "log_count/DEBUG": 1616,
 "log_count/INFO": 18,
 "log_count/WARNING": 1,
 "request_depth_max": 32,
 "response_received_count": 812,
 "retry/count": 24,
 "retry/reason_count/twisted.internet.error.TimeoutError": 24,
 "scheduler/dequeued": 835,
 "scheduler/dequeued/memory": 835,
 "scheduler/enqueued": 835,
 "scheduler/enqueued/memory": 835,
 "start_time": datetime.datetime(2017, 10, 25, 15, 55, 43, 289328)}
2017-10-26 00:06:48 [scrapy.core.engine] INFO: Spider closed (finished)

如果沒有報錯，我們的數據庫是不是有數據了呢

779    玩兒轉Swift    //img1.mukewang.com/53966c2c00018bed06000338-240-135.jpg    簡介：我們期望用戶在看完這套教程后，對swift語言的了解能達到中上水平。這意味著在接觸Cocoa Touch將一點兒都不費勁，對一些高級概念，諸如閉包、協議、泛型、內存管理都能有所理解并且有所實踐。這套教程一定比市面上普遍看到的Swift中文教程深入，并且演示示例更豐富。    http://www.imooc.com/learn/127    2017-10-26 00:06:48
778    iOS9那些神坑    //img1.mukewang.com/576b7a6a0001573206000338-240-135.jpg    簡介：為啥我用iOS9開發的應用無法進行網絡請求？為啥多出了一個Bitcode編譯選項？什么又是白名單呢？這些都是iOS9的一些新特性，在我們的這門課程中都會為大家一一介紹。
    http://www.imooc.com/learn/609    2017-10-26 00:06:08
777    Cocos2d-x坦克大戰--上    //img4.mukewang.com/570763d20001662806000338-240-135.jpg    簡介：FC上的坦克大戰相信大家都玩過~有逃學玩坦克的可以自己默默的扣一個1了~我們現在長大了，學習游戲開發了。有沒有想過將小時候玩過的游戲復刻出來了？不為了彰顯自己的技術，只為了小時候因為玩游戲而逃學挨過的打。由資深游戲開發者徐波老師為大家復刻的FC坦克大戰吧
    http://www.imooc.com/learn/610    2017-10-26 00:06:08
776    快速入門ThinkPHP 5.0 --模型篇    //img2.mukewang.com/594cf6120001ddaf06000338-240-135.jpg    簡介：一個標準的網站一定離不開數據庫的操作，在本套課程中我和你一起來揭開ThinkPHP5 數據操作的神秘面紗，和你一起愉快的使用 ThinkPHP5 操作數據庫，讓數據庫操作變的更愉悅。    http://www.imooc.com/learn/854    2017-10-26 00:06:08
775    MongoDB Day 2015 深圳    //img4.mukewang.com/56779555000160d106000338-240-135.jpg    簡介：本次年度大會由來自MongoDB內部的專家以及各行業MongoDB大牛關于數據安全、wiredtiger內部機制、OpsManager以及在其它行業方面的成功案例。大會吸引了200多位MongoDB愛好者，會場內座無虛席！    http://www.imooc.com/learn/562    2017-10-26 00:06:08
774    web安全之SQL注入    //img1.mukewang.com/5991489e00019f5c06000338-240-135.jpg    簡介：SQL注入自從WEB和數據庫發展以來就一直存在，而且給WEB應用帶來很大的安全問題，會造成用戶隱私數據的泄露，數據庫版本信息泄露和數據庫攻擊等，給業務帶來很大的損失和不好的社會影響。所以對于我們WEB開發人員來說，項目開發過程中一定要培養一定的安全意識，了解SQL注入的定義，產生的原理、具體的一些攻擊手法和相應的預防措施，為了更好的增加開發項目的健壯性和安全性    http://www.imooc.com/learn/883    2017-10-26 00:06:07
773    那些年你遇到的錯誤與異常    //img3.mukewang.com/572b06f40001d1c806000338-240-135.jpg    簡介：本課程主要講解兩部分內容，先從PHP中的錯誤模塊談起，講解了PHP中常見的錯誤類型，剖析了PHP中的錯誤處理。接著又講解了PHP5面向對象過程中新的錯誤處理方式--異常模塊，由淺入深，講解異常及異常的實戰應用等。    http://www.imooc.com/learn/380    2017-10-26 00:06:07
772    基于Websocket的火拼俄羅斯（基礎）    //img3.mukewang.com/59ed96eb0001fe3606000338-240-135.jpg    簡介：本課程主要帶領大家了解要實現火拼俄羅斯的基礎知識WebSocket，以及socket.io,為后續實現火拼俄羅斯打下基礎。    http://www.imooc.com/learn/861    2017-10-26 00:06:07
771    Java定時任務調度工具詳解之Quartz篇    //img1.mukewang.com/5940992d0001cae906000338-240-135.jpg    簡介：本課程是系列課程Java定時任務調度工具詳解中的Quartz篇，本系列課程旨在通過詳細講述Java定時調度工具的基本概念、工具，和這些工具里面包含的各個組件之間的關系，以及如何使用這些工具來實現定時調度功能，讓學生能夠對Java定時調度工具有一個清晰而準確的認識。然后結合一些經典的使用場景通過手把手的命令行操作進行教學，使同學們得心用手地使用這些定時調度工具來實現自己想要的功能。講師實戰課程已經上線，詳情：http://coding.imooc.com/learn/list/144.html    http://www.imooc.com/learn/846    2017-10-26 00:06:07

原文 https://www.tech1024.cn/origi...

GPU云服務器云服務器保存到MySQL數據庫文件保存到數據庫保存文件到數據庫把文件保存到數據庫

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/40980.html

快速上手——我用scrapy寫爬蟲（一）

摘要：寫在前面用寫爬蟲的人很多，的爬蟲框架也很多，諸如和，筆者還是筆記傾向于，本文就用寫一個小爬蟲。本文適用于有一定基礎的，并且對爬蟲有一定了解的開發者。寫在前面用python寫爬蟲的人很多，python的爬蟲框架也很多，諸如pyspider 和 scrapy，筆者還是筆記傾向于scrapy，本文就用python寫一個小爬蟲demo。本文適用于有一定python基礎的，并且對爬蟲有一定了...

curlyCheng 2019-07-30 14:49 評論0 收藏0
首次公開，整理12年積累的博客收藏夾，零距離展示《收藏夾吃灰》系列博客

摘要：時間永遠都過得那么快，一晃從年注冊，到現在已經過去了年那些被我藏在收藏夾吃灰的文章，已經太多了，是時候把他們整理一下了。那是因為收藏夾太亂，橡皮擦給設置私密了，不收拾不好看呀。 ...

Harriet666 2021-09-10 10:51 評論0 收藏0
scrapy 實戰練習

摘要：爬取百思不得姐首先一步一步來，我們先從爬最簡單的文本開始。將百思不得姐段子保存到中別忘了將管道加到配置文件中。雖然我只是簡單的爬了百思不得姐，不過這些方法可以應用到其他方面，爬取更多更有用的數據。前一篇文章介紹了很多關于scrapy的進階知識，不過說歸說，只有在實際應用中才能真正用到這些知識。所以這篇文章就來嘗試利用scrapy爬取各種網站的數據。爬取百思不得姐首先一步一步來，我...

betacat 2019-07-30 15:05 評論0 收藏0
從零開始寫爬蟲

摘要：幾個朋友對爬蟲很感興趣，他們也都是開發人員，一個開發兩個開發，都沒有過項目開發經驗，正好其中一個最近要爬一個網店的產品信息，所以希望我能拿這網站當寫一個爬蟲來給他們參考學習。我們就在這個文件里開發爬蟲的相關邏輯。幾個朋友對爬蟲很感興趣，他們也都是開發人員，一個PHP開發兩個JAVA開發，都沒有過python項目開發經驗，正好其中一個最近要爬一個網店的產品信息，所以希望我能拿這網站當d...

wwq0327 2019-07-30 14:36 評論0 收藏0