python爬虫基于管道持久化存储操作

基于管道持久化存储操作

这个也是在基于scrapy框架的基础上实现的，所以scrapy的基本使用命令也是需要遵从的

scrapy的使用步骤

1.先转到想创建工程的目录下：cd …

2.创建一个工程

scrapy startproject 工程名  （XXPro：XXproject）
1

3.创建之后要转到工程目录下

cd 工程名
1

4.在spiders子目录中创建一个爬虫文件

这里不需要切换目录，在项目目录下即可。
www.xxx.com是要爬取的网站。

scrapy genspider 爬虫文件名 www.xxx.com
1

5.执行工程

在pycharm中直接执行是不管用的，无效。应该再在终端中执行

scrapy crawl 爬虫文件名				# 执行的是爬虫文件
1

setting文件中的参数

项目下有一个settings文件，里面的文件介绍如下：

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

#显示指定类型的日志信息 而不显示其他乱七八糟的
LOG_LEVEL = 'ERROR'

# 设置用户代理 浏览器类型
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36"

# 取消注释改行，意味着开启管道存储。
# 300表示优先级，数值越小优先级越高	
ITEM_PIPELINES = {
   "weiboPro.pipelines.WeiboproPipeline": 300,
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

基于管道持久化存储的步骤：

1. 数据解析
2. 在item类中定义相关的属性
3. 将解析的数据封装存储到item类型的对象
4. 将item类型的对象提交给管道进行持久化存储的操作
5. 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存储操作
6. 在配置文件中开启管道

持久化存储1：保存到本地txt文档。

这个并不是很难。主要是理清他的思路是什么。
在工程目录下的爬虫文件(这里是weibo.py)写好保证能够爬取到信息之后，主要是将管道文件写好(pipelines.py)。
按照上面的6步走：

1. 数据解析

即爬取数据的过程

# （weibo.py爬虫文件）
# 不使用数据库，只保存到本地

import scrapy
from weiboPro.items import WeiboproItem
# 导包失败：右键项目目录 => 将目标标记为 => 源代码根目录

# 爬取微博失败了，返回为空。改为爬取B站了。
# 爬取B站的视频的名称和作者
class WeiboSpider(scrapy.Spider):
    name = "weibo"
    # allowed_domains = ["weibo.com"]
    start_urls = ["https://www.bilibili.com/"]
    def parse(self, response):
        author = []
        title = []
        div_list = response.xpath('//*[@id="i_cecream"]/div[2]/main/div[2]/div/div[1]/div')
        print("数据长度为", len(div_list))
        for div in div_list:
            # xpath返回的是列表，但是列表元素一定是Selector类型的对象
            # extract可以将Selector对象中data参数存储的字符串提取出来
            author = div.xpath('.//div[@class="bili-video-card__info--right"]//a/span[@class="bili-video-card__info--author"]/text()').extract()    # xpath要从上一层的xpath开始找，必须在最前面加个. !!
            # 对列表调用extract后，将列表的每一个Selector对象中的data对应的字符串提取了出来
            title=div.xpath('.//div[@class="bili-video-card__info--right"]/h3/a/text()').extract()

            # author, title解析到的为list，将其转为str
            # 将列表转为字符串： .join方法
            author = ''.join(author)
            title = ''.join(title)
            print('当前抽取的author', author)
            print('当前抽取的title', title)
            print(len(author), len(title))

			# 3，4两步都在循环内，所以是每执行一次循环将item对象提交给管道并存储到本地
            # 3.将解析的数据封装存储到item类型的对象
            item = WeiboproItem()
            item['author'] = author
            item['title'] = title
            # 4. 将item类型的对象提交给管道进行持久化存储的操作
            yield item
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

2. 在item类中定义相关的属性

找到项目目录下的items.py文件，在里面定义相关的属性

class WeiboproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 在item类中定义相关的属性
    author = scrapy.Field()
    title = scrapy.Field()

1
2
3
4
5
6
7

3. 将解析的数据封装存储到item类型的对象

4. 将item类型的对象提交给管道进行持久化存储的操作

3，4两步在1.中已经体现，具体代码为：

            # 3.将解析的数据封装存储到item类型的对象
            item = WeiboproItem()
            item['author'] = author
            item['title'] = title
            # 4. 将item类型的对象提交给管道进行持久化存储的操作
            yield item
1
2
3
4
5
6

5. 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存储操作

在这里重写了父类的两个方法：open_spider()和close_spider()方法。
open_spider()方法在开始爬虫时被调用一次，close_spider()方法在爬虫结束时被调用一次。这样实现了yield多次时，只打开关闭一次文件。
process_item()是将得到的item对象中的数据保存到本地。

# pipelines.py 管道文件
class WeiboproPipeline:
    fp = None

    def open_spider(self, spider):
        # 重写父类的方法，只在开始爬虫时被调用一次
        print("开始爬虫")
        self.fp = open('./B站.txt', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        author = item['author']
        title = item['title']
        print("当前写入的是：" + author + ":" + title + "\n")
        self.fp.write(author + ":" + title + "\n")
        return item

    def close_spider(self, spider):
        # 重写父类的方法，在爬虫结束时被调用一次
        print("结束爬虫")
        self.fp.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

6. 在配置文件中开启管道

打开项目weiboPro路径下的settings.py文件，将ITEM_PIPELINES字典取消注释，即可开启管道。

ITEM_PIPELINES = {

   "weiboPro.pipelines.WeiboproPipeline": 300,
}
1
2
3
4

运行结果：

运行结束之后，会在本地生成B站.txt文件，其中包含爬取的author和title

持久化存储2：保存到数据库中。

前言

安装mysql

安装navicat

这里需要安装mysql，我还另外安装了navicat。安装好mysql之后，要新建连接，按照步骤操作即可。

使用终端操作数据库

这里需要mysql库。这个库是用来对数据库进行远程连接的，所以必须要有打开的数据库，打开的表才可以。

如何使用navicat新建数据库&新建表

建立好之后，再按照上面的6步按部就班来就可以。

1234步与持久化存储1完全相同。

5. 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存储操作

这里的管道文件中的每一个管道类（如持久化存储1的WeiboproPipeline）对应将一组数据存储到一个平台或者载体中。上面的是保存到本地，所以我们还需要将再写一个类来将数据持久化存储到数据库中。

我也有好多东西不理解为什么要这么写

# 管道文件中一个管道类对应将一组数据存储到一个平台或者载体中
class mysqlPileLine:
    # 每写一个管道类要将这个类写到settings.py的ITEM_PIPELINES中。
    connect = None
    cursor = None
    def open_spider(self, spider):
        # 重写父类的方法，在爬虫开始时调用一次

        # 创建连接：pymysql.Connect
        self.connect = pymysql.Connect(host='127.0.0.1', port=3306, user='root', password='liu1457154996', db='bzhan', charset='utf8')	# db表示数据库的名称，我上面创建的数据库名称叫bzhan，即上图中的绿色圆柱

    def process_item(self, item, spider):
        # 创建游标
        self.cursor = self.connect.cursor()

        try:
            self.cursor.execute('INSERT INTO bzhan (author, title) VALUES ("%s", "%s")' % (item['author'], item['title']))	# 这里的bzhan是bzhan数据库下的表的名称
            self.connect.commit()
            print("成功写入数据库", item['author'], item['title'])
        except Exception as e:
            print(e)
            self.connect.rollback()

        return item

    def close_item(self, spider):
        self.cursor.close()     # 关闭游标
        self.connect.close()    # 关闭连接
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

6. 在配置文件中开启管道

在上面的基础上开启mysqlPileLine管道。

ITEM_PIPELINES = {

   "weiboPro.pipelines.WeiboproPipeline": 300,
   "weiboPro.pipelines.mysqlPileLine": 301,
}
1
2
3
4
5

运行结果

在终端中输入scrapy crwal weibo后，得到数据库中的结果如下：

后记：

• 面试题：将爬取到的数据一份存储到本地一份存储到数据库，如何实现？
  • 管道文件中一个管道类对应的是将数据存储到一种平台
  • 爬虫文件提交的item只会给管道文件中第一个被执行的管道类接受
  • process_item中的return item表示将item传递给下一个即将被执行的管道类