当前位置：首页 > article >正文

Scrapy爬虫异步框架之持久化存储（一篇文章齐全）

article 2024/11/15 4:47:57

1、Scrapy框架初识（点击前往查阅）

2、Scrapy框架持久化存储

3、Scrapy框架内置管道（点击前往查阅）

4、Scrapy框架中间件（点击前往查阅）

Scrapy 是一个开源的、基于Python的爬虫框架，它提供了强大而灵活的工具，用于快速、高效地提取信息。Scrapy包含了自动处理请求、处理Cookies、自动跟踪链接、下载中间件等功能

Scrapy框架的架构图（先学会再来看，就能看懂了！）

一、持久化存储（文本）

1：基于终端指令的存储

基于终端指令：简单，但是局限性较大。

scrapy crawl myspider -o project_name.后缀名

命令讲解：（例：scrapy crawl baidu -o baidudata.json）

myspider：执行的爬虫文件名
project_name.后缀名：想要保存的文件名和格式（具体格式参考下面）

终端指令的方法只可以将parse方法的返回值存储到指定后缀的文本文件中。且格式只能是如下展示的。

1.1：执行代码

import scrapy


class BaiduSpider(scrapy.Spider):
    # 爬虫文件的唯一标识（就是你创建的爬虫文件夹名字）
    name = "baidu"

    # 允许的域名，这个代表你只能访问这个网址的子域名，其他的都会禁止（这个我们会注释掉，不会打开）
    # allowed_domains = ["www.xxx.com"]

    # 起始的url列表，网址可以随便放，可以放多个，列表中的url都会被框架进行异步请求发送。
    start_urls = ["https://www.xiachufang.com/category/40076/"]

    # 数据解析：parse调用的次数取决于start_urls列表元素的个数
    def parse(self, response):  # response参数就表示响应对象
        # 创建一个空列表用于存储
        all_data = []

        # 利用xpath解析:（scrapy内置xpath，无需另外导入）
        li_list = response.xpath('//div[@class="pure-u-3-4 category-recipe-list"]//ul/li')

        for li in li_list:
            # 1、scrapy中的xpath会返回Selector对象，我们需要的数据在该对象data属性中（extract可以实现该功能,）
            # 2、extract_first()就是取第一个，因为文本两边有空格，所以.strip() 可以去除两侧的空格
            title = li.xpath('.//p[1]/a/text()').extract_first().strip()
            author = li.xpath('.//p[4]/a/text()').extract_first().strip()

            # 将每次获取到的标题和作者添加到字典中
            dic = {
                'title': title,
                'author': author
            }

            # 将字典添加到列表中
            all_data.append(dic)

        # 爬取到的数据被作为parse方法的返回值
        return all_data

1.1：执行结果分析

此代码在这个Scrapy框架初识（点击前往查阅）代码上就加了前4步（如下图）。

第5步：执行代码
第6步：最后生成的文件Scrapy框架初识（点击前往查阅）

基于终端指令存储就是这样的，虽然简单，但是局限性很大。

2：基于管道的存储（存入本地文件）

基于管道的形式：相比较终端复杂，但是灵活性很大。

管道存储so easy 只需5步

2.1：在爬虫文件中进行数据解析操作。

解析代码如下⬇️

import scrapy


class BaiduSpider(scrapy.Spider):
    # 爬虫文件的唯一标识（就是你创建的爬虫文件夹名字）
    name = "baidu"

    # 允许的域名，这个代表你只能访问这个网址的子域名，其他的都会禁止（这个我们会注释掉，不会打开）
    # allowed_domains = ["www.xxx.com"]

    # 起始的url列表，网址可以随便放，可以放多个，列表中的url都会被框架进行异步请求发送。
    start_urls = ["https://www.xiachufang.com/category/40076/"]

    # 数据解析：parse调用的次数取决于start_urls列表元素的个数
    def parse(self, response):  # response参数就表示响应对象
        # 创建一个空列表用于存储
        all_data = []

        # 利用xpath解析:（scrapy内置xpath，无需另外导入）
        li_list = response.xpath('//div[@class="pure-u-3-4 category-recipe-list"]//ul/li')

        for li in li_list:
            # 1、scrapy中的xpath会返回Selector对象，我们需要的数据在该对象data属性中（extract可以实现该功能,）
            # 2、extract_first()就是取第一个，因为文本两边有空格，所以.strip() 可以去除两侧的空格
            title = li.xpath('.//p[1]/a/text()').extract_first().strip()
            author = li.xpath('.//p[4]/a/text()').extract_first().strip()

2.2：创建一个item类型的对象。

创建的item对象，需要封装自己需要的变量。例如：我需要title、author两个变量（框架中有封装好item类型文件）

2.2.1：将解析到的数据存储到该对象中。

如何将解析好的数据存储到item对象中呢？各位看官接着往下看～

2.3：将item对象提交给管道。

什么是管道呢？管道在框架中在哪呢？就在这～

如何将item对象提交给管道呢？只需要 yield 关键字就可以了！

2.4：在管道中实现process_item的函数，实现对item对象的接收，对其进行指定的持久化存储。

代码讲解：（return是有多个管道把数据传递给下一个，后面会讲解）

open_spider函数：这个函数只会在process_item函数之前之前执行一次，所以这就操作的空间了，我们可以先定义一个全局变量，然后在这个函数中创建一个文件句柄。
process_item函数：self调用写入数据就行了。
close_spider函数：该函数会在process_item函数完全执行结束之后调用一次，这个里边就关闭文件就行了。

错误演示：❌❌❌

可能会有同学会想到用这个方法来储存，这就要想到一个问题了，process_item函数会被执行很多次（执行的次数取决于爬虫文件提交的次数）所以这个方法肯定是不行的。

2.5：在配置文件中开启管道功能。

注释去掉就是开启了，后面的300是优先级的，如果有多个管道会用到，数字越小优先级越高，下面会讲～（另外UA或者Cookie一些反爬根据网站需求决定是否开启）

2.6：执行结果

执行指令：my_spider就是你的爬虫文件名字

scrapy crawl my_spider

执行代码：

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class CsdnPipeline:
    fp = None  # 全局变量。

    # 该函数只会被在process_item函数调用前被调用一次。
    def open_spider(self, item):
        # 创建文件
        self.fp = open('baidu.txt', 'w')

    # 该函数只会被在process_item函数完全执行结束后被调用一次。
    def close_spider(self, item):
        # 关闭文件
        self.fp.close()

    # 该函数是用来接收爬虫文件提交过来的item对象（此函数执行次数取决于爬虫文件提交的次数）
    def process_item(self, item, spider):  # item参数就表示接收到的item对象。
        # 将item中的数据取出来
        title = item['title']
        author = item['author']

        # 数据写入
        self.fp.write(title + ":" + author + '\n')

        return item

以我们设置的文件格式，文件名字储存好了。

二、基于管道的存储（存入数据库）

首先肯定要先安装MySQL数据库的，没有安装可以参考最新版MySQL安装 & 配置 & 启动

还需要安装模块用于操作MySQL数据库

pip install pymsql

存到数据库步骤：（数据库要提前开启哦）

和存入本地文件唯一不同的地方就在第四步管道函数的编写，下面我们就把这方面重点分析一下～

1：settings中配置

前面还提到了 yield 的关键字，是提交给管道的，他优先提交给数字小的，也就是优先级高的。

2：管道原理剖析

还记得前面的 return吗？现在来填坑了！！！

如果你需要一个管道就OK了下面不需要了，那OK不需要return也是可以的，但是，你下面还有管道，那必须要return的，不然你数据无法传递下去，并且还会报错。

3：代码编写

首先要学会Python操作MySQL方法，不会的可以参考这Python操作中MySQL数据方法

此代码指针对MySQL数据库的，完整的需要包含上面 class CsdnPipeline 中的代码

import pymysql  # 导入操作数据库模块

class MysqlPipeline:
    # 1、创建一个链接对象
    conn = pymysql.connect(
        host='127.0.0.1',  # mysql服务器的ip地址
        port=3306,  # mysql默认端口号
        user='root',  # mysql用户名
        password='root1234',  # mysql密码
        db='spider',  # mysql指定的数据库
    )
    # 2、创建一个游标对象：用来执行sql语句
    cursor = conn.cursor()

    def process_item(self, item, spider):
        # 利用上面传入的item，我们先获取到数据
        title = item['title']
        author = item['author']

        # 将2个字段存储到mysql数据表中
        sql = 'insert into bili(title,author) values ("{}","{}")'.format(title, author)
        # 使用游标对象执行sql语句
        self.cursor.execute(sql)
        # 提交事物，最后才会将数据存入数据库中
        self.conn.commit()
        return item

    def close_spider(self, spider):
        # 关闭游标和链接对象
        self.cursor.close()
        self.conn.close()

代码分析：

其中主要就是数据库的链接，要提前创建好表和对应的字段，然后会简单的SQL语句。

4：执行结果

三、基于管道的存储（存入Redis缓存中）

首先肯定要先安装Redis的，没有安装可以参考手把手安装部署Redis

还需要安装模块用于操作Redis，这个安装个低版本的，高的有些数据格式不支持，例如字典就不行的。

pip install redis==2.10.6

存到Redis步骤：（Redis要提前开启哦）

和上面一样的唯一不同的地方就在第四步管道函数的编写，下面我们就把这方面重点分析一下～

1：settings中配置

2：代码编写

此代码指针对Redis缓存的，完整的需要包含上面 class CsdnPipeline 和 class MysqlPipeline 中的代码。

from redis import Redis  # 导入模块


class RedisPipeline:
    # 创建链接对象
    conn = Redis(host='127.0.0.1', port=6379)

    def process_item(self, item, spider):
        # 将item这个字典存储到redis中
        self.conn.lpush('bili', item)  # lpush(参数1，参数2)：参数1新建列表的名称，参数2是向列表中存储的数据
        return item

代码分析：