Scrapy 框架,持久化文件相关
Posted shijieli
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 框架,持久化文件相关相关的知识,希望对你有一定的参考价值。
持久化相关
相关文件
items.py
数据结构模板文件。定义数据属性。
pipelines.py
管道文件。接收数据(items),进行持久化操作。
持久化流程
1.爬虫文件爬取到数据后,需要将数据封装到 items对象 中。
2.使用 yield 关键字将items对象提交给 pipelines 管道进行持久化操作。
3.在管道文件中的 process_item 方法中接收爬虫文件提交过来的item对象,然后编写持久化存储的代码将item对象中存储的数据进行持久化存储
4.settings.py配置文件中开启管道
示例
爬虫文件
import scrapy from secondblood.items import SecondbloodItem class QiubaidemoSpider(scrapy.Spider): name = ‘qiubaiDemo‘ allowed_domains = [‘www.qiushibaike.com‘] start_urls = [‘http://www.qiushibaike.com/‘] def parse(self, response): odiv = response.xpath(‘//div[@id="content-left"]/div‘) for div in odiv: # xpath函数返回的为列表,列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中,需要调用extract()函数将解析的内容从Selecor中取出。 author = div.xpath(‘.//div[@class="author clearfix"]//h2/text()‘).extract_first() author = author.strip(‘ ‘) # 过滤空行 content = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first() content = content.strip(‘ ‘) # 过滤空行 # 将解析到的数据封装至items对象中 item = SecondbloodItem() item[‘author‘] = author item[‘content‘] = content yield item # 提交item到管道文件(pipelines.py)
items文件
items.py
import scrapy class SecondbloodItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() author = scrapy.Field() # 存储作者 content = scrapy.Field() # 存储段子内容
管道文件
pipelines.py
from scrapy.exceptions import DropItem class SecondbloodPipeline(object): def __init__(self,path): self.f = None self.path = path # 写入文件的路径参数 ,放在 setting 中了。 # 通过 from_crawler 来拿到 path @classmethod def from_crawler(cls, crawler): """ 初始化时候,用于创建pipeline对象 """ print(‘File.from_crawler‘) path = crawler.settings.get(‘HREF_FILE_PATH‘) return cls(path) def open_spider(self,spider): """ 爬虫开始执行时,调用 用于 文件的打开 """ # if spider.name == "chouti": # spider参数 用于筛选个性化定制 print(‘File.open_spider‘) self.f = open(self.path,‘a+‘) def process_item(self, item, spider): # f = open(‘xx.log‘,‘a+‘) # f.write(item[‘href‘]+‘ ‘) # f.close() # 这样写太low了,每次都要打开关闭文件 # 因此选择 将 文件操作绕开每次循环。 print(‘File‘,item[‘author‘]) print(‘File‘,item[‘content‘]) self.f.write(item[‘author‘] + ‘:‘ + item[‘content‘] + ‘ ‘) # return item # 交给下一个pipeline的process_item方法 raise DropItem()# 后续的 pipeline的process_item方法不再执行 def close_spider(self,spider): """ 爬虫关闭时,被调用 用于 文件的关闭 """ print(‘File.close_spider‘) self.f.close()
注意:pipeline是所有爬虫公用,如果想要给某个爬虫定制需要使用spider参数自己进行处理
ps:
数据的处理当然可以写入 数据库,或者 redis 如下实例
# -*- 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 #导入数据库的类 import pymysql class QiubaiproPipelineByMysql(object): conn = None #mysql的连接对象声明 cursor = None#mysql游标对象声明 def open_spider(self,spider): print(‘开始爬虫‘) #链接数据库 self.conn = pymysql.Connect(host=‘127.0.0.1‘,port=3306,user=‘root‘,password=‘123456‘,db=‘qiubai‘) #编写向数据库中存储数据的相关代码 def process_item(self, item, spider): #1.链接数据库 #2.执行sql语句 sql = ‘insert into qiubai values("%s","%s")‘%(item[‘author‘],item[‘content‘]) self.cursor = self.conn.cursor() #执行事务 try: self.cursor.execute(sql) self.conn.commit() except Exception as e: print(e) self.conn.rollback() return item def close_spider(self,spider): print(‘爬虫结束‘) self.cursor.close() self.conn.close()
# -*- 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 import redis class QiubaiproPipelineByRedis(object): conn = None def open_spider(self,spider): print(‘开始爬虫‘) #创建链接对象 self.conn = redis.Redis(host=‘127.0.0.1‘,port=6379) def process_item(self, item, spider): dict = { ‘author‘:item[‘author‘], ‘content‘:item[‘content‘] } #写入redis中 self.conn.lpush(‘data‘, dict) return item
配置文件
settings.py
#开启管道 ITEM_PIPELINES = { ‘secondblood.pipelines.SecondbloodPipeline‘: 300, # 300表示为优先级,值越小优先级越高 }
ps:
可以写多个Pipeline类
1、如果优先级高的Pipeline的process_item返回一个值或者None,会自动传给下一个pipline的process_item,
2、如果只想让第一个Pipeline执行,那得让第一个pipline的process_item抛出异常raise DropItem()
3、可以用spider.name == ‘爬虫名‘ 来控制哪些爬虫用哪些pipeline
综合实例
‘‘‘ #1、settings.py HOST="127.0.0.1" PORT=27017 USER="root" PWD="123" DB="amazon" TABLE="goods" ‘‘‘ from scrapy.exceptions import DropItem from pymongo import MongoClient class MongoPipeline(object): ‘‘‘2、把解析好的item对象做一个持久化,保存到数据库中‘‘‘ def __init__(self,db,collection,host,port,user,pwd): self.db = db self.collection = collection #文档(表) self.host = host self.port = port self.user = user self.pwd = pwd @classmethod def from_crawler(cls,crawler): ‘‘‘1、Scrapy会先通过getattr判断我们是否自定义了from_crawler,有则调它来完 成实例化‘‘‘ db = crawler.settings.get("DB") collection = crawler.settings.get("COLLECTION") host = crawler.settings.get("HOST") port = crawler.settings.get("PORT") user = crawler.settings.get("USER") pwd = crawler.settings.get("PWD") return cls(db,collection,host,port,user,pwd) #cls是当前的类,类加括号执行__init__方法 def open_spider(self,spider): ‘‘‘3、爬虫刚启动时执行一次‘‘‘ print(‘==============>爬虫程序刚刚启动‘) self.client = MongoClient(‘mongodb://%s:%[email protected]%s:%s‘%( self.user, self.pwd, self.host, self.port )) def close_spider(self,spider): ‘‘‘5、关闭爬虫程序‘‘‘ print(‘==============>爬虫程序运行完毕‘) self.client.close() def process_item(self, item, spider): ‘‘‘4、操作并执行持久化‘‘‘ # return表示会被后续的pipeline继续处理 d = dict(item) if all(d.values()): self.client[self.db][self.collection].save(d) #保存到数据库 return item # 表示将item丢弃,不会被后续pipeline处理 # raise DropItem() class FilePipeline(object): def __init__(self, file_path): self.file_path=file_path @classmethod def from_crawler(cls, crawler): """ Scrapy会先通过getattr判断我们是否自定义了from_crawler,有则调它来完 成实例化 """ file_path = crawler.settings.get(‘FILE_PATH‘) return cls(file_path) def open_spider(self, spider): """ 爬虫刚启动时执行一次 """ print(‘==============>爬虫程序刚刚启动‘) self.fileobj=open(self.file_path,‘w‘,encoding=‘utf-8‘) def close_spider(self, spider): """ 爬虫关闭时执行一次 """ print(‘==============>爬虫程序运行完毕‘) self.fileobj.close() def process_item(self, item, spider): # 操作并进行持久化 # return表示会被后续的pipeline继续处理 d = dict(item) if all(d.values()): self.fileobj.write(r"%s " %str(d)) return item # 表示将item丢弃,不会被后续pipeline处理 # raise DropItem()
以上是关于Scrapy 框架,持久化文件相关的主要内容,如果未能解决你的问题,请参考以下文章