爬虫——实战完整版

Posted 2021-01-08 siplips

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫——实战完整版相关的知识，希望对你有一定的参考价值。

mongodb操作

 1 import pymongo
 2 
 3 #连接数据库实例(连接数据库)---》获取相应数据库---》获取相应collection集合(表)
 4 client = pymongo.MongoClient(host=‘localhost‘,port=27017)
 5 
 6 db = client.test        #也可用字典形式操作，如下
 7 # db = client["test"]
 8 
 9 collection  = db.students  #也可用字典形式操作，如下
10 # collection = db["students"]
11 
12 student1 = {
13     ‘id‘:‘001‘,
14     ‘name‘:‘haha‘,
15     ‘age‘:20,
16     ‘gender‘:‘male‘
17 }
18 student2 = {
19     ‘id‘: ‘002‘,
20     ‘name‘: ‘Mike‘,
21     ‘age‘: 41,
22     ‘gender‘: ‘male‘
23 }
24 #--------------------------------------------------------------------------
25         #插入 insert into students(...) values(‘002‘,...)
26         #若不指定 _id 字段，系统默认会生成一个ObjectId
27         #可插入一条或多条数据(列表形式)，python3不推荐使用insert
28 # collection.insert([student1,student2])
29 # collection.insert(student1)
30 
31         #官方推荐，分开使用，返回值不是ObjectId，而是InsertOneResult对象，我们可以调用其inserted_id属性获取_id。
32 # result = collection.insert_one(student2)
33 # print(result)
34 # print(result.inserted_id)
35 
36 # result = collection.insert_many([student1,student2])
37 # print(result)
38 # print(result.inserted_ids)
39 
40 #------------------------------------------------------------------
41         #查询 select * from students where id=002
42         #查询条件使用字典，可使用多字段,find是多条查询
43 # result_find = collection.find({"name":"lijingbo","age":20})
44 # print(result_find.next())   #返回一个游标，游标相当于迭代器，可使用next()获取一条结果，或者使用循环遍历等，遍历结果是字典
45         #find_one:单个查询，返回字典类型
46 # result = collection.find_one({‘age‘:20})
47 # print(result,type(result))
48         #结合关系符进行查询:$gt,$lt,$gte,$lte,$ne,$in,$nin
49 # result = collection.find({‘age‘:{‘$gt‘:18}})
50 # result = collection.find({‘age‘:{‘$in‘:[18,41]}})
51         #结合特殊符号查询：$regex
52 # result = collection.find({‘name‘:{‘$regex‘:‘^M.*‘}})  #正则
53 # result = collection.find({‘name‘:{‘$exists‘:True}})     #查询含有name属性的
54 # result = collection.find({‘age‘:{‘$mod‘:[5,0]}})        #求模，对5取余=0
55 # result = collection.find({‘$where‘:‘obj.age==20‘})       #查询age为20的，obj是自身
56 # result = collection.find({‘age‘:20}).count()                #统计
57 # result = collection.find().sort(‘age‘,pymongo.ASCENDING)      #按照指定字段升序排列
58 # result = collection.find().sort(‘age‘,pymongo.DESCENDING)     #按照指定字段升序排列
59 # result = collection.find().sort(‘age‘,pymongo.DESCENDING).skip(2)     #按照指定字段升序排列，偏移2个(就是把最前面两个跳过去了)
60 # result = collection.find().sort(‘age‘,pymongo.DESCENDING).skip(2).limit(5)    #限制得到5
61 # print(result)
62 # for r in result:
63 #     print(r[‘name‘],r[‘age‘])
64 
65 #----------------------------------------------------------
66         #更新 update students set name=haha where id=001
67         #参数1：查询条件(字典)；参数2：更新值(字典，键：‘$set‘，值：字典【也可直接使用外部字典】)
68         #其他：upsert默认为False，为True时——若更新的原数据不存在，则插入数据
69                 #multi——默认为False只更新查询到的第一条数据，为True时：更新全部查询到的数据
70         # $set：是mongodb内置函数，覆盖原始数据
71 # collection.update({"id":"001"},{‘$set‘:{‘age‘:34}},upsert=True,multi=True)
72 # print(collection.find().next())
73         #上面的官方也不推荐，可以使用下面的
74 # result = collection.update_one({‘name‘:‘haha‘},{‘$set‘:{‘age‘:18}})
75 # result = collection.update_many({‘name‘:‘haha‘},{‘$set‘:{‘age‘:18}})
76 # print(result)   #只修改一条数据，若该数据不修改就和修改条件一样了，那有可能修改数为0
77 # print(result.matched_count,result.modified_count)
78 
79 
80 #-----------------------------------------------------
81         #删除,remove方法官方不推荐
82 # collection.remove({"id":"001"},justOne=1)
83 # result = collection.delete_one({‘name‘:‘Mike‘})
84 # result = collection.delete_many({‘name‘:‘Mike‘})
85 # print(result)
86 # print(result.deleted_count)
87 
88 #---------------------------------------------------
89         #组合方法
90 # result = collection.find_one_and_delete({‘name‘:‘haha‘})
91 # result = collection.find_one_and_update({‘name‘:‘haha‘},{‘$set‘:{‘age‘:45}})
92 # result = collection.find_one_and_replace({‘name‘:‘haha‘})
93 # print(result)

MongoCache

将数据以字典的特性存储缓存到mongodb数据库

导入类库

import pickle,zlib  #对象序列化    压缩数据
from datetime import datetime,timedelta     #设置缓存超时间间隔
from pymongo import MongoClient
from bson.binary import Binary      #MongoDB存储二进制的类型

创建MongoCache类

初始化init
- 连接mongodb数据库
- 连接数据库cache实例(没有则创建)
- 连接集合webpage(没有则创建)
- 创建timestamp索引，设置超时时间为30天

重写__setitem__
- 数据经过pickle序列化
- zlib压缩
- 经Binary转化为mongodb需要的格式
- 添加格林威治时间
- 网址为键_id，结果为值，存入mongodb

使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重

用字典的形式向数据库添加一条缓存(数据)

重写__getitem__
- 将缓存数据按照item作为key取出(key仍然是下载的url)
- 根据_id(url)查找(find_one)结果
- 解压缩，反序列化
重写__contains__
- 当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
- 可通过字典的查找方式__getitem__直接查找(self[item])
- 该函数返回布尔值

方法clear

清空该集合中的数据

 1 import pickle,zlib  #对象序列化    压缩数据
 2 from datetime import datetime,timedelta     #设置缓存超时间间隔
 3 from pymongo import MongoClient
 4 from bson.binary import Binary      #MongoDB存储二进制的类型
 5 from http_ljb.tiebaspider import TiebaSpider
 6 from http_ljb.qiushispider import QiushiSpider
 7 
 8 class MongoCache:
 9     def __init__(self,client=None,expires=timedelta(days=30)):
10         ‘‘‘
11         初始化函数
12         :param client: 数据库连接(数据库实例)
13         :param expires: 超时时间
14         ‘‘‘
15         self.client = MongoClient(‘localhost‘,27017)
16         self.db = self.client.cache     #创建名为cache的数据库
17         web_page = self.db.webpage      #创建集合webpage并赋值给变量
18         #创建timestamp索引，设置超时时间为30天，total_seconds会将days转为秒
19         self.db.webpage.create_index(‘timestamp‘,expireAfterSeconds=expires.total_seconds())
20 
21     def __setitem__(self, key, value):
22         ‘‘‘
23         用字典的形式向数据库添加一条缓存(数据)
24         :param key: 缓存的键
25         :param value: 缓存的值
26         :return:
27         ‘‘‘
28         #数据---》pickle序列化---》zlib压缩---》Binary转化为mondodb需要的格式，使用格林威治时间
29         record = {‘result‘:Binary(zlib.compress(pickle.dumps(value))),‘timestamp‘:datetime.utcnow()}
30         #使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重
31         self.db.webpage.update({‘_id‘:key},{‘$set‘:record},upsert=True)
32 
33     def __getitem__(self, item):
34         ‘‘‘
35         将缓存数据按照item作为key取出(key仍然是下载的url)
36         :param item:键
37         :return:
38         ‘‘‘
39         record = self.db.webpage.find_one({‘_id‘:item}) #查找出来就不是Binary了，不用进行转化
40         if record:
41             return pickle.loads(zlib.decompress(record[‘result‘])) #解压缩，反序列化
42         else:
43             raise KeyError(item + ‘does not exist‘)     #查询不到就抛出键错误异常
44 
45     def __contains__(self, item):
46         ‘‘‘
47         当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
48         :param item: 下载的url链接(路由)
49         :return:
50         ‘‘‘
51         try:
52             self[item]      #这一步会调用__getitem__,找不到__getitem__会抛出异常，在这里进行捕获异常只返回False，否则返回True
53         except KeyError:
54             return False
55         else:
56             return True
57 
58     def clear(self):
59         ‘‘‘
60         清空该集合中的数据
61         :return:
62         ‘‘‘
63         self.db.webpage.drop()

爬取实例

调用贴吧爬取代码和百科爬取代码，使用mongodb存储爬取数据

导入爬取类
创建新类并继承自爬取类
重写保存方法
- 创建MongoCache对象
- 网址为键，数据为值，以字典形式存入mongodb

重写run方法

在保存时，需多传一个网址参数(为了在保存方法中对应保存)

  1 import pickle,zlib  #对象序列化    压缩数据
  2 from datetime import datetime,timedelta     #设置缓存超时间间隔
  3 from pymongo import MongoClient
  4 from bson.binary import Binary      #MongoDB存储二进制的类型
  5 from http_ljb.tiebaspider import TiebaSpider
  6 from http_ljb.qiushispider import QiushiSpider
  7 
  8 class MongoCache:
  9     def __init__(self,client=None,expires=timedelta(days=30)):
 10         ‘‘‘
 11         初始化函数
 12         :param client: 数据库连接(数据库实例)
 13         :param expires: 超时时间
 14         ‘‘‘
 15         self.client = MongoClient(‘localhost‘,27017)
 16         self.db = self.client.cache     #创建名为cache的数据库
 17         web_page = self.db.webpage      #创建集合webpage并赋值给变量
 18         #创建timestamp索引，设置超时时间为30天，total_seconds会将days转为秒
 19         self.db.webpage.create_index(‘timestamp‘,expireAfterSeconds=expires.total_seconds())
 20 
 21     def __setitem__(self, key, value):
 22         ‘‘‘
 23         用字典的形式向数据库添加一条缓存(数据)
 24         :param key: 缓存的键
 25         :param value: 缓存的值
 26         :return:
 27         ‘‘‘
 28         #数据---》pickle序列化---》zlib压缩---》Binary转化为mondodb需要的格式，使用格林威治时间
 29         record = {‘result‘:Binary(zlib.compress(pickle.dumps(value))),‘timestamp‘:datetime.utcnow()}
 30         #使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重
 31         self.db.webpage.update({‘_id‘:key},{‘$set‘:record},upsert=True)
 32 
 33     def __getitem__(self, item):
 34         ‘‘‘
 35         将缓存数据按照item作为key取出(key仍然是下载的url)
 36         :param item:键
 37         :return:
 38         ‘‘‘
 39         record = self.db.webpage.find_one({‘_id‘:item}) #查找出来就不是Binary了，不用进行转化
 40         if record:
 41             return pickle.loads(zlib.decompress(record[‘result‘])) #解压缩，反序列化
 42         else:
 43             raise KeyError(item + ‘does not exist‘)     #查询不到就抛出键错误异常
 44 
 45     def __contains__(self, item):
 46         ‘‘‘
 47         当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
 48         :param item: 下载的url链接(路由)
 49         :return:
 50         ‘‘‘
 51         try:
 52             self[item]      #这一步会调用__getitem__,找不到__getitem__会抛出异常，在这里进行捕获异常只返回False，否则返回True
 53         except KeyError:
 54             return False
 55         else:
 56             return True
 57 
 58     def clear(self):
 59         ‘‘‘
 60         清空该集合中的数据
 61         :return:
 62         ‘‘‘
 63         self.db.webpage.drop()
 64 
 65 class TiebaMongo(TiebaSpider):
 66     def save_result(self, result,url_str):
 67         """
 68         重写父类的该方法，将数据保存到数据库
 69         :param result:
 70         :param url_str:
 71         :return:
 72         """
 73         mc = MongoCache()
 74         mc[url_str] = result
 75 
 76     def run(self):
 77         url_lists = self.make_url()
 78         for url_str in url_lists:
 79             result_str = self.download_url(url_str)
 80             self.save_result(result=result_str,url_str=url_str)
 81 
 82 # class QiushiMongo(QiushiSpider):
 83 #     def save_result(self, result,url_str):
 84 #         mc = MongoCache()
 85 #         mc[url_str] = result
 86 #
 87 #     def run(self):
 88 #         url_lists = self.make_url()
 89 #         for url_str in url_lists:
 90 #             result_str = self.download_url(url_str)
 91 #             self.save_result(result=result_str,url_str=url_str)
 92 
 93 # if __name__ == ‘__main__‘:
 94         #爬取贴吧并存到MongoDB
 95     # test = TiebaMongo(‘lol‘)
 96     # test.run()
 97         #爬取糗事并存到MongoDB
 98     # qiushi = QiushiMongo()
 99     # qiushi.run()
100         #查询MongoDB
101     # mc = MongoCache()
102     # print(mc[‘https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=2‘])
103     # print(‘https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=3‘ in mc)
104     # cha = MongoCache()
105     # print(cha[test.url_base])
106     # print(mc["https://www.qiushibaike.com/8hr/page/2/"])

以上是关于爬虫——实战完整版的主要内容，如果未能解决你的问题，请参考以下文章

Python网络爬虫实战视频教程

7. 爬虫训练场项目，首页布局构建，完整版

python 爬虫获取文件式网站资源完整版（基于python 3.6）

假期学习首都之窗百姓信件爬虫（完整版）2020.2.6 Python

《TensorFlow实战Google深度学习框架 (第2版) 》中文版PDF和源代码完整版下载

完整版模板项目实战实战演练