python爬虫入门——Day07（Scrapy管道）
Scrapy管道
在上一小节中, 我们初步掌握了Scrapy的基本运行流程以及基本开发流程. 本节继续讨论关于Scrapy更多的内容.
一. 关于管道
上一节内容, 我们已经可以从spider中提取到数据. 然后通过引擎将数据传递给pipeline, 那么在pipeline中如何对数据进行保存呢? 我们主要针对四种数据存储展开讲解.
前三个案例以http://datachart.500.com/ssq/ 为案例基础. 最后一个以https://www.tupianzj.com/bizhi/DNmeinv/ 为案例基础.
1. csv文件写入
写入文件是一个非常简单的事情. 直接在pipeline中开启文件即可. 但这里要说明的是. 如果我们只在process_item中进行处理文件是不够优雅的. 总不能有一条数据就open一次吧
class CaipiaoFilePipeline:
def process_item(self, item, spider):
with open("caipiao.txt", mode="a", encoding='utf-8') as f:
# 写入文件
f.write(f"{item['qihao']}, {'_'.join(item['red_ball'])}, {'_'.join(item['blue_ball'])}\n")
return item
我们希望的是, 能不能打开一个文件, 然后就用这一个文件句柄来完成数据的保存. 答案是可以的. 我们可以在pipeline中创建两个方法, 一个是open_spider(), 另一个是close_spider(). 看名字也能明白其含义:
open_spider(), 在爬虫开始的时候执行一次 close_spider(), 在爬虫结束的时候执行一次
有了这俩货, 我们就可以很简单的去处理这个问题
class CaipiaoFilePipeline:
def open_spider(self, spider):
self.f = open("caipiao.txt", mode="a", encoding='utf-8')
def close_spider(self, spider):
if self.f:
self.f.close()
def process_item(self, item, spider):
# 写入文件
self.f.write(f"{item['qihao']}, {'_'.join(item['red_ball'])}, {'_'.join(item['blue_ball'])}\n")
return item
在爬虫开始的时候打开一个文件, 在爬虫结束的时候关闭这个文件. 满分~
对了, 别忘了设置settings
ITEM_PIPELINES = {
'caipiao.pipelines.CaipiaoFilePipeline': 300,
}
2. mysql数据库写入
有了上面的示例, 写入数据库其实也就很顺其自然了, 首先, 在open_spider中创建好数据库连接. 在close_spider中关闭链接. 在proccess_item中对数据进行保存工作.
先把mysql相关设置丢到settings里
# MYSQL配置信息
MYSQL_CONFIG = {
"host": "localhost",
"port": 3306,
"user": "root",
"password": "test123456",
"database": "spider",
}
from caipiao.settings import MYSQL_CONFIG as mysql
import pymysql
class CaipiaoMySQLPipeline:
def open_spider(self, spider):
self.conn = pymysql.connect(host=mysql["host"], port=mysql["port"], user=mysql["user"], password=mysql["password"], database=mysql["database"])
def close_spider(self, spider):
self.conn.close()
def process_item(self, item, spider):
# 写入文件
try:
cursor = self.conn.cursor()
sql = "insert into caipiao(qihao, red, blue) values(%s, %s, %s)"
red = ",".join(item['red_ball'])
blue = ",".join(item['blue_ball'])
cursor.execute(sql, (item['qihao'], red, blue))
self.conn.commit()
spider.logger.info(f"保存数据{item}")
except Exception as e:
self.conn.rollback()
spider.logger.error(f"保存数据库失败!", e, f"数据是: {item}") # 记录错误日志
return item
别忘了把pipeline设置一下
ITEM_PIPELINES = {
'caipiao.pipelines.CaipiaoMySQLPipeline': 301,
}
3. mongodb数据库写入
mongodb数据库写入和mysql写入如出一辙...不废话直接上代码吧
MONGO_CONFIG = {
"host": "localhost",
"port": 27017,
'has_user': True,
'user': "python_admin",
"password": "123456",
"db": "python"
}
from caipiao.settings import MONGO_CONFIG as mongo
import pymongo
class CaipiaoMongoDBPipeline:
def open_spider(self, spider):
client = pymongo.MongoClient(host=mongo['host'],
port=mongo['port'])
db = client[mongo['db']]
if mongo['has_user']:
db.authenticate(mongo['user'], mongo['password'])
self.client = client
self.collection = db['caipiao']
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
self.collection.insert({"qihao": item['qihao'], 'red': item["red_ball"], 'blue': item['blue_ball']})
return item
ITEM_PIPELINES = {
# 三个管道可以共存~
'caipiao.pipelines.CaipiaoFilePipeline': 300,
'caipiao.pipelines.CaipiaoMySQLPipeline': 301,
'caipiao.pipelines.CaipiaoMongoDBPipeline': 302,
}
4. 文件保存
接下来我们来尝试使用scrapy来下载一些图片, 看看效果如何.
首先, 随便找个图片网站(安排好的). https://www.tupianzj.com/bizhi/DNmeinv/. 可以去看看, 妹子们还是很漂亮的.
接下来. 创建好项目, 定义好数据结构
class MeinvItem(scrapy.Item):
name = scrapy.Field()
img_url = scrapy.Field()
img_path = scrapy.Field()
完善spider, 注意看yield scrapy.Request()
import scrapy
from meinv.items import MeinvItem
class TupianzhijiaSpider(scrapy.Spider):
name = 'tupianzhijia'
allowed_domains = ['tupianzj.com']
start_urls = ['https://www.tupianzj.com/bizhi/DNmeinv/']
def parse(self, resp, **kwargs):
li_list = resp.xpath("//ul[@class='list_con_box_ul']/li")
for li in li_list:
href = li.xpath("./a/@href").extract_first()
# 拿到href为了什么? 进入详情页啊
"""
url: 请求地址
method: 请求方式
callback: 回调函数
errback: 报错回调
dont_filter: 默认False, 表示"不过滤", 该请求会重新进行发送
headers: 请求头.
cookies: cookie信息
"""
yield scrapy.Request(
url=resp.urljoin(href), # scrapy的url拼接
method='get',
callback=self.parse_detail,
)
# 下一页
next_page = resp.xpath('//div[@class="pages"]/ul/li/a[contains(text(), "下一页")]/@href').extract_first()
if next_page:
yield scrapy.Request(
url=resp.urljoin(next_page),
method='get',
callback=self.parse
)
def parse_detail(self, resp):
img_src = resp.xpath('//*[@id="bigpic"]/a[1]/img/@src').extract_first()
name = resp.xpath('//*[@id="container"]/div/div/div[2]/h1/text()').extract_first()
meinv = MeinvItem()
meinv['name'] = name
meinv['img_url'] = img_src
yield meinv
关于Request()的参数:
- url: 请求地址
- method: 请求方式
- callback: 回调函数
- errback: 报错回调
- dont_filter: 默认False, 表示"不过滤", 该请求会重新进行发送
- headers: 请求头.
- cookies: cookie信息
接下来就是下载问题了. 如何在pipeline中下载一张图片呢? Scrapy早就帮你准备好了. 在Scrapy中有一个ImagesPipeline可以实现自动图片下载功能.
from scrapy.pipelines.images import ImagesPipeline, FilesPipeline
import pymysql
from meinv.settings import MYSQL
import scrapy
class MeinvPipeline:
def open_spider(self, spider):
self.conn = pymysql.connect(
host=MYSQL['host'],
port=MYSQL['port'],
user=MYSQL['user'],
password=MYSQL['password'],
database=MYSQL['database']
)
def close_spider(self, spider):
if self.conn:
self.conn.close()
def process_item(self, item, spider):
try:
cursor = self.conn.cursor()
sql = "insert into tu (name, img_src, img_path) values (%s, %s, %s)"
cursor.execute(sql, (item['name'], item['img_src'], item['img_path']))
self.conn.commit()
except:
self.conn.rollback()
finally:
if cursor:
cursor.close()
return item
class MeinvSavePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 发送请求去下载图片
# 如果是一堆图片. 可以使用循环去得到每一个url, 然后在yield每一个图片对应的Request对象
return scrapy.Request(item['img_url'])
def file_path(self, request, response=None, info=None):
# 准备好图片的名称
filename = request.url.split("/")[-1]
return f"img/{filename}"
def item_completed(self, results, item, info):
# 文件存储的路径
ok, res = results[0]
# print(res['path'])
item['img_path'] = res["path"]
return item
最后, 需要在settings中设置以下内容:
MYSQL = {
"host": "localhost",
"port": 3306,
"user": "root",
"password": "test123456",
"database": 'spider'
}
ITEM_PIPELINES = {
'meinv.pipelines.MeinvPipeline': 303,
'meinv.pipelines.MeinvSavePipeline': 301,
}
# 图片保存路径 -> ImagesPipeline
IMAGES_STORE= './my_tu'
# 文件保存路径 -> FilesPipeline
FILES_STORE = './my_tu'
本文是原创文章，采用 CC BY-NC-ND 4.0 协议，完整转载请注明来自 沐呓耳总的碎碎念
评论
匿名评论
隐私政策
你无需删除空行，直接评论以获取最佳展示效果
