scrapy 爬虫框架之持久化存储

scrapy  持久化存储

一.主要过程：

以爬取校花网为例 ：

http://www.xiaohuar.com/hua/

1.  spider   

　　　　　　回调函数     返回item 时    要用yield item   不能用return  item

　　爬虫   xiahua.py  　　　　

# -*- coding: utf-8 -*-
import scrapy
from  ..items import XiaohuaItem

class XiahuaSpider(scrapy.Spider):
    name = 'xiahua' # 该名字        启动爬虫:     scrapy crawl xiaohua --nolog
    allowed_domains = ['xiaohuar.com']
    start_urls = ['http://www.xiaohuar.com/hua/'] # 起始url列表

    # 默认的回调函数
    def parse(self, response):
        # 进行解析
        # print(response.text)
        items=response.xpath('//*[@id="list_img"]/div/div[1]/div/div/div[1]')
        # 持久化存储

        for tag in items:
            dic={}
            name=tag.xpath("./span[1]/text()").extract_first()
            url=tag.xpath("./a[1]/@href").extract_first()
            if name:  # 姓名存在是存入数据库
                item = XiaohuaItem()
                dic["name"] = name
                dic["url"]=url
                item['name']=name
                item['url']=url
                print(dic)

                yield item  #      需要注意的：  不能是   return  item

2. 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 XiaohuaItem(scrapy.Item):
    # define the fields for your item here like:

    name=scrapy.Field()
    url=scrapy.Field()

3.pipeline.py 

　 1. 到settings 中 ：

　　　　　　    (1)ROBOTSTXT_OBEY = False # 改为Flase

　　　　　　　(2)放开  ITEM_PIPELINES和修改机器人协议

　　　　　　

　　　　　　

　　2. 数据持久化储存：　

方式一： 不去配置文件取值的方式：

　　　　 存数据库之前，先启动数据库服务端

　　　　必须先将item对象转化为字典  dict(item)   存入数据库   

# -*- 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 pymongo


class XiaohuaPipeline(object):
    def __init__(self):
        self.client=None
        self.db=None


    def process_item(self, item, spider):

        # 持久化储存
       #将数据存入数据库
        
        self.db.xiahua.insert(dict(item))  # 必须先将item对象转化为字典

        return item

    def open_spider(self,spider):
        # 爬虫开始 打开数据库
        # 连接MongoDB服务端
        self.client = pymongo.MongoClient(host="localhost",port=27017)
        # 连接数据库
        self.db = self.client.spider

        print("爬虫开始-------")

    def close_spider(self,spider):

        # 关闭数据库
        print('爬虫结束-----')

        self.client.close()

　方式二 ： 数据库配置到配置文件中的写法：

　　　用到 类中的一个函数，如果该类是先找 ，自己是否定义了   from_crawler  类方法，

　　　如果有自定义，则先执行该类方法，实例化一个对象。然后再执行  __init__ 方法。

1. settings.py 文件中配置以下信息：

### Mongdb配置参数

HOST="127.0.0.1"
PORT=27017
USER="root"
PWD=""
DB="spider"

2. pipeline.py  中增加   类方法   from_crawler 

# -*- coding: utf-8 -*-

import pymongo

class XiaohuaPipeline(object):

    @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
        """
        HOST = crawler.settings.get('HOST')
        PORT = crawler.settings.get('PORT')
        USER = crawler.settings.get('USER')
        PWD = crawler.settings.get('PWD')
        

        return cls(HOST, PORT, USER, PWD)  # 返回实例化对象

    def __init__(self, host, port, user, pwd):
        self.host = host
        self.port = port
        self.user = user
        self.pwd = pwd
        self.db = None


    def process_item(self, item, spider):

        #将数据存入数据库
        print(type(dict(item)))
        self.db.xiahua.insert_one(dict(item))  # xiahua 为文档名（表名）

        return item

    def open_spider(self,spider):
        # 爬虫开始 打开数据库
        # 连接MongoDB服务端
        self.client = pymongo.MongoClient(host=self.host,port=self.port)
        # 连接数据库
        self.db = self.client.spider

        print("爬虫开始-------")

    def close_spider(self,spider):

        # 关闭数据库
        print('爬虫结束-----')

        self.client.close()

总结：

　　1. 先找 from_crawl 类方法， 有就先执行该该方法，返回一个实例化对象，再执行  __init__ 方法。

　　2.  pipeline 类下，主要有5中方法：

　　　　from_crawl  ： 实例化一个对象 返回    # 该方法  去配置文件中取值时需要写

　　　　__init__  : 初始化  

　　　　open_spider   爬虫开始 时执行     （ 数据库开启）

　　　　process_item  持久化存储   处理   （存数据）

　　　　close_spider    爬虫结束执行　 （数据库关闭）