基于scrapy爬虫框架模板，将数据保存到Mysql数据库或者文件中

scrapy爬虫框架模板 ===== 使用scrapy爬虫框架将数据保存Mysql数据库和文件中 ## settings.py - 修改Mysql的配置信息 ``` stylus #Mysql数据库的配置信息 MYSQL_HOST = '127.0.0.1' MYSQL_DBNAME = 'testdb' #数据库名字，请修改 MYSQL_USER = 'root' #数据库账号，请修改 MYSQL_PASSWD = '123456' #数据库密码，请修改 MYSQL_PORT = 3306 #数据库端口，在dbhelper中使用 ``` - 指定pipelines ``` stylus ITEM_PIPELINES = { 'webCrawler_scrapy.pipelines.WebcrawlerScrapyPipeline': 300,#保存到mysql数据库 'webCrawler_scrapy.pipelines.JsonWithEncodingPipeline': 300,#保存到文件中 } ``` ## items.py - 声明需要格式化处理的字段 ``` stylus class WebcrawlerScrapyItem(scrapy.Item): '''定义需要格式化的内容（或是需要保存到数据库的字段）''' # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field() #修改你所需要的字段 url = scrapy.Field() ``` ## pipelines.py ### 一、保存到数据库的类`WebcrawlerScrapyPipeline`（在settings中声明） - 定义一个类方法`from_settings`，得到settings中的Mysql数据库配置信息，得到数据库连接池dbpool ``` stylus @classmethod def from_settings(cls,settings): '''1、@classmethod声明一个类方法，而对于平常我们见到的则叫做实例方法。 2、类方法的第一个参数cls（class的缩写，指这个类本身），而实例方法的第一个参数是self，表示该类的一个实例 3、可以通过类来调用，就像C.f()，相当于java中的静态方法''' dbparams=dict( host=settings['MYSQL_HOST'],#读取settings中的配置 db=settings['MYSQL_DBNAME'], user=settings['MYSQL_USER'], passwd=settings['MYSQL_PASSWD'], charset='utf8',#编码要加上，否则可能出现中文乱码问题 cursorclass=MySQLdb.cursors.DictCursor, use_unicode=False, ) dbpool=adbapi.ConnectionPool('MySQLdb',**dbparams)#**表示将字典扩展为关键字参数,相当于host=xxx,db=yyy.... return cls(dbpool)#相当于dbpool付给了这个类，self中可以得到 ``` - `__init__`中会得到连接池dbpool ``` stylus def __init__(self,dbpool): self.dbpool=dbpool ``` - `process_item`方法是pipeline默认调用的，进行数据库操作 ``` stylus #pipeline默认调用 def process_item(self, item, spider): query=self.dbpool.runInteraction(self._conditional_insert,item)#调用插入的方法 query.addErrback(self._handle_error,item,spider)#调用异常处理方法 return item ``` - 插入数据库方法`_conditional_insert` ``` stylus #写入数据库中 def _conditional_insert(self,tx,item): #print item['name'] sql="insert into testpictures(name,url) values(%s,%s)" params=(item["name"],item["url"]) tx.execute(sql,params) ``` - 错误处理方法`_handle_error` ``` stylus #错误处理方法 def _handle_error(self, failue, item, spider): print failue ``` ### 二、保存到文件中的类`JsonWithEncodingPipeline`（在settings中声明） - 保存为json格式的文件，比较简单，代码如下 ``` stylus class JsonWithEncodingPipeline(object): '''保存到文件中对应的class 1、在settings.py文件中配置 2、在自己实现的爬虫类中yield item,会自动执行''' def __init__(self): self.file = codecs.open('info.json', 'w', encoding='utf-8')#保存为json文件 def process_item(self, item, spider): line = json.dumps(dict(item)) + "\n"#转为json的 self.file.write(line)#写入文件中 return item def spider_closed(self, spider):#爬虫结束时关闭文件 self.file.close() ``` ## dbhelper.py - 自己实现的操作Mysql数据库的类 - __init__方法，获取settings配置文件中的信息 ``` stylus def __init__(self): self.settings=get_project_settings() #获取settings配置，设置需要的信息 self.host=self.settings['MYSQL_HOST'] self.port=self.settings['MYSQL_PORT'] self.user=self.settings['MYSQL_USER'] self.passwd=self.settings['MYSQL_PASSWD'] self.db=self.settings['MYSQL_DBNAME'] ``` - 连接到Mysql ``` stylus #连接到mysql，不是连接到具体的数据库 def connectMysql(self): conn=MySQLdb.connect(host=self.host, port=self.port, user=self.user, passwd=self.passwd, #db=self.db,不指定数据库名 charset='utf8') #要指定编码，否则中文可能乱码 return conn ``` - 连接到settings配置文件中的数据库名（MYSQL_DBNAME） ``` stylus #连接到具体的数据库（settings中设置的MYSQL_DBNAME） def connectDatabase(self): conn=MySQLdb.connect(host=self.host, port=self.port, user=self.user, passwd=self.passwd, db=self.db, charset='utf8') #要指定编码，否则中文可能乱码 return conn ``` - 创建数据库（settings文件中配置的数据库名） ``` stylus #创建数据库 def createDatabase(self): '''因为创建数据库直接修改settings中的配置MYSQL_DBNAME即可，所以就不要传sql语句了''' conn=self.connectMysql()#连接数据库 sql="create database if not exists "+self.db cur=conn.cursor() cur.execute(sql)#执行sql语句 cur.close() conn.close() ``` - 还有一些数据库操作方法传入sql语句和参数即可（具体看代码） ## 实现具体的爬虫.py（即模板中的`pictureSpider_demo.py`文件） - 继承`scrapy.spiders.Spider` 类 - 声明三个属性 ``` stylus name="webCrawler_scrapy" #定义爬虫名，要和settings中的BOT_NAME属性对应的值一致 allowed_domains=["desk.zol.com.cn"] #搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页 start_urls=["http://desk.zol.com.cn/fengjing/1920x1080/1.html"] #开始爬取的地址 ``` - 实现`parse`方法，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse ``` stylus def parse(self, response): ``` - 返回item ``` stylus item=WebcrawlerScrapyItem() #实例item（具体定义的item类）,将要保存的值放到事先声明的item属性中 item['name']=file_name item['url']=realUrl print item["name"],item["url"] yield item #返回item,这时会自定解析item ``` ## 测试 - 测试DBHelper 创建testdb数据库和testtable表; python dbhelper.py ![创建testdb数据库和testtable表][1] - 测试爬虫 在D盘建立文件夹pics; 图片自动保存到该文件夹中。 `scrapy crawl webCrawler_scrapy`运行爬虫后会将爬取得图片保存到本地，并且将name和url保存到数据库中 ![测试爬虫][2] [1]: ./images/testDBHelper.gif "testDBHelper.gif" [2]: ./images/testCrawl.gif "testCrawl.gif"