scrapy数据存储在mysql数据库的两种方式

Posted 2021-11-03 knighterrant

方法一：同步操作

1.pipelines.py文件（处理数据的python文件）

import pymysql
 
class LvyouPipeline(object):
    def __init__(self):
        # connection database
        self.connect = pymysql.connect(host=‘XXX‘, user=‘root‘, passwd=‘XXX‘, db=‘scrapy_test‘)  # 后面三个依次是数据库连接名、数据库密码、数据库名称
        # get cursor
        self.cursor = self.connect.cursor()
        print("连接数据库成功")
 
    def process_item(self, item, spider):
        # sql语句
        insert_sql = """
        insert into lvyou(name1, address, grade, score, price) VALUES (%s,%s,%s,%s,%s)
        """
        # 执行插入数据到数据库操作
        self.cursor.execute(insert_sql, (item[‘Name‘], item[‘Address‘], item[‘Grade‘], item[‘Score‘],
                                         item[‘Price‘]))
        # 提交，不进行提交无法保存到数据库
        self.connect.commit()
 
    def close_spider(self, spider):
        # 关闭游标和连接
        self.cursor.close()
        self.connect.close()

2.配置文件中

方式二 异步储存

pipelines.py文件：

通过twisted实现数据库异步插入，twisted模块提供了 twisted.enterprise.adbapi

　　1. 导入adbapi

　　2. 生成数据库连接池

　　3. 执行数据数据库插入操作

　　4. 打印错误信息，并排错

 

import pymysql
from twisted.enterprise import adbapi
# 异步更新操作
class LvyouPipeline(object):
    def __init__(self, dbpool):
        self.dbpool = dbpool
 
    @classmethod
    def from_settings(cls, settings):  # 函数名固定，会被scrapy调用，直接可用settings的值
        """
        数据库建立连接
        :param settings: 配置参数
        :return: 实例化参数
        """
        adbparams = dict(
            host=settings[‘MYSQL_HOST‘],
            db=settings[‘MYSQL_DBNAME‘],
            user=settings[‘MYSQL_USER‘],
            password=settings[‘MYSQL_PASSWORD‘],
            cursorclass=pymysql.cursors.DictCursor   # 指定cursor类型
        )
 
        # 连接数据池ConnectionPool，使用pymysql或者Mysqldb连接
        dbpool = adbapi.ConnectionPool(‘pymysql‘, **adbparams)
        # 返回实例化参数
        return cls(dbpool)
 
    def process_item(self, item, spider):
        """
        使用twisted将MySQL插入变成异步执行。通过连接池执行具体的sql操作，返回一个对象
        """
        query = self.dbpool.runInteraction(self.do_insert, item)  # 指定操作方法和操作数据
        # 添加异常处理
        query.addCallback(self.handle_error)  # 处理异常
 
    def do_insert(self, cursor, item):
        # 对数据库进行插入操作，并不需要commit，twisted会自动commit
        insert_sql = """
        insert into lvyou(name1, address, grade, score, price) VALUES (%s,%s,%s,%s,%s)
        """
        self.cursor.execute(insert_sql, (item[‘Name‘], item[‘Address‘], item[‘Grade‘], item[‘Score‘],
                                                  item[‘Price‘]))
 
    def handle_error(self, failure):
        if failure:
            # 打印错误信息
            print(failure)

注意：

1、python 3.x 不再支持MySQLdb，它在py3的替代品是： import pymysql。

2、报错pymysql.err.ProgrammingError: (1064, ……

原因：当item[‘quotes‘]里面含有引号时，可能会报上述错误

解决办法：使用pymysql.escape_string()方法

例如：

sql = """INSERT INTO video_info(video_id, title) VALUES("%s","%s")""" % (video_info["id"],pymysql.escape_string(video_info["title"]))
3、存在中文的时候，连接需要添加charset=‘utf8‘，否则中文显示乱码。

4、每执行一次爬虫，就会将数据追加到数据库中，如果多次的测试爬虫，就会导致相同的数据不断累积，怎么实现增量爬取？

scrapy-deltafetch
scrapy-crawl-once（与1不同的是存储的数据库不同）
scrapy-redis
scrapy-redis-bloomfilter(3的增强版，存储更多的url,查询更快)

原文：https://blog.csdn.net/weixin_40096730/article/details/87863797