Walks

网络安全爱好者

Python3学习系列(十三):Scrapy将数据存入Mysql数据库

《Python3学习系列(十三):Scrapy将数据存入Mysql数据库》

前言:

下面给大家介绍将下载的数据存入到Mysql数据库的用法,数据来源是Mooc的课程。


代码实现:

  • items.py

from scrapy import Item,Field


class MoocspiderItem(Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    Url = Field()
    Title = Field()
    Image_Url = Field()
    Student = Field()
    Introduction = Field()

  • settings.py

BOT_NAME = 'MoocSpider'

SPIDER_MODULES = ['MoocSpider.spiders']
NEWSPIDER_MODULE = 'MoocSpider.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'MoocSpider (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

#相信这些代码大家都懂的吧
MYSQL_DB_NAME = 'python_data'
MYSQL_HOST='localhost'
MYSQL_USER='root'
MYSQL_PASSWORD='root'
ITEM_PIPELINES = {
    'MoocSpider.pipelines.MysqlPipeline':10,
}

  • 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
import json
from twisted.enterprise import adbapi
#这里要说一下,要先安装一下MySQLdb,PYTHON用来对数据库进行操作的库
import MySQLdb

#使用了连接池的插入数据库函数
class MysqlPipeline(object):
    #def __init__(self):
        #self.file = open('MoocSpider1.json','w',encoding='utf-8')

    def open_spider(self,spider):
        db = spider.settings.get('MYSQL_DB_NAME','python_data')
        host = spider.settings.get('MYSQL_HOST','localhost')
        port = 3306
        user = spider.settings.get('MYSQL_DB_USER','root')
        passwd = spider.settings.get('MYSQL_DB_PASSWORD','root')

        self.dbpool = adbapi.ConnectionPool('MySQLdb',host=host,db=db,user=user,passwd=passwd,charset='utf8')

    def close_spider(self,spider):
        self.dbpool.close()


    def process_item(self, item, spider):
        #读取item中的数据
        #line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        #写入文件
        #self.file.write(line)
        #返回item
        #return item
        self.dbpool.runInteraction(self.insert_db,item)


    def insert_db(self,tx,item):
        values = (
            item['Url'],
            item['Title'],
            item['Image_Url'],
            item['Student'],
            item['Introduction'],
            )

        sql = 'INSERT INTO books VALUES (%s,%s,%s,%s,%s)'
        tx.execute(sql,values)

#普通的连接函数
class MysqlPipeline1(object):
    def open_spider(self,spider):
        db = spider.settings.get('MYSQL_DB_NAME','python_data')
        host = spider.settings.get('MYSQL_HOST','localhost')
        port = 3306
        user = spider.settings.get('MYSQL_DB_USER','root')
        passwd = spider.settings.get('MYSQL_DB_PASSWORD','root')

        self.db_conn = MySQLdb.connect(host=host,port=port,db=db,user=user,passwd=passwd,charset='utf8')
        self.db_cur = self.db_conn.cursor()



    def process_item(self, item, spider):
        #读取item中的数据
        #line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        #写入文件
        #self.file.write(line)
        #返回item
        #return item
        try:
            self.insert_db(item)
            self.db_conn.commit()
        except Exception as error:
            print(error)
        return item
            

    def insert_db(self,item):
        values = (
            item['Url'],
            item['Title'],
            item['Image_Url'],
            item['Student'],
            item['Introduction']
            )

        sql = 'INSERT INTO books VALUES (%s,%s,%s,%s,%s)'
        self.db_cur.execute(sql,values)

  • MoocSpider.py

import scrapy
from MoocSpider.items import MoocspiderItem
from scrapy.selector import Selector


class MoocSpider(scrapy.Spider):
    name = 'MoocSpider'
    allowed_domains = ['imooc.com']
    start_urls = ['http://www.imooc.com/course/list']

    def parse(self, response):
        html = Selector(response)
        item = MoocspiderItem()
        base_url = 'http://www.imooc.com'

        content = html.xpath('//div[@class="course-card-container"]')

        for each in content:
            item = MoocspiderItem()
            item['Url'] = base_url + each.xpath('.//a/@href').extract_first()
            item['Title'] = each.xpath('.//a/div/h3/text()').extract_first()
            item['Image_Url'] = each.xpath('.//a/div/img/@src').extract_first()
            item['Student'] = each.xpath('.//a/div/div/div/span/text()').extract()[1]
            item['Introduction'] = each.xpath('.//a/div/div/p/text()').extract_first()
            
            yield item

        #获取下一页的URL
        #url = response.xpath('//a[contains(text(),"下一页")]/@href').extract()
        #if url:
            #page = 'http://www.imooc.com' + url[0]
            #yield scrapy.Request(page,callback = self.parse)

参考资料:《精通Scrapy网络爬虫》

转载请注明来自:www.bywalks.com

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

75 − = 65