scrapy持久化存储
Posted cjj-zyj
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scrapy持久化存储相关的知识,希望对你有一定的参考价值。
持久化存储操作:
a.磁盘文件
a) 基于终端指令
i. 保证parse方法返回一个可迭代类型的对象(存储解析到的页面内容)
ii. 使用终端指令完成数据存储到指定磁盘文件的操作
1. scrapy crawl 爬虫文件名称 -o 磁盘文件.后缀 如(test.csv)
b)基于管道
i. items: 存储解析到的页面数据
ii. piplines: 处理是持久化存储的相关操作
iii. 代码实现流程:
1. 将解析到的页面数据存储到items对象中
2.使用yield 关键字将items提交给管道文件进行处理
3.在管道文件中编写代码完成数据存储的操作(piplines)
4.在配置文件中开启管道操作
b管道操作的代码如下:
spiders/qiushibai.py
# -*- coding: utf-8 -*- import scrapy from qiubai.items import QiubaiItem class QiushibaiSpider(scrapy.Spider): name = ‘qiushibai‘ # allowed_domains = [‘www.qiushibaike.com/text/‘] start_urls = [‘http://www.qiushibaike.com/text//‘] def parse(self, response): # 建议大家使用xpath进行指定内容的解析(框架集成了xpath解析的接口) # 段子的内容和作者 div_list = response.xpath(‘//div[@id="content-left"]/div‘) # data_list = [] for div in div_list: # xpath解析到的指定内容被存储到了Selector对象 # extract()该方法可以将Selector对象中存储的数据值拿到 # author = div.xpath("./div/a[2]/h2/text()").extract()[0] # extract_first() == extract()[0] author = div.xpath("./div/a[2]/h2/text()").extract_first() content = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first() # print(author, ‘---------------‘) # print(content) # data = { # "author": author, # "content": content # } # 将解析到数值的数据存储到item对象 item = QiubaiItem() item["author"] = author item["content"] = content # 将item对象提交给管道 yield item
qiubai/items.py
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://doc.scrapy.org/en/latest/topics/items.html import scrapy class QiubaiItem(scrapy.Item): # define the fields for your item here like: author = scrapy.Field() content = scrapy.Field()
qiubai/pipelines.py # 得现在settings.py里搜索pipeline 数字300为优先级
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html class QiubaiPipeline(object): fp = None # 该方法只会在爬虫开始运行的时候调用一次 def open_spider(self, spider): print("开始爬虫") self.fp = open("./data_record.txt", "w", encoding="utf-8") # 该方法就可以接受爬虫文件中提交过来的item对象,并且对item对象中存储的页面数据进行持久化存储 # 参数item就是接收到的item对象 # 每当爬虫文件向管道提交一次item,则该方法就会被执行一次 def process_item(self, item, spider): # 取出item中的对象存储数据 author = item["author"] content = item["content"] # 持久化存储 self.fp.write(author + ":" + content + " ") return item # 该方法只会在爬虫结束时调用一次 def close_spider(self, spider): print("爬虫结束") self.fp.close()
以上是关于scrapy持久化存储的主要内容,如果未能解决你的问题,请参考以下文章