#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目

历览千载书,时时见遗烈。这篇文章主要讲述#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目相关的知识,希望能为你提供帮助。
本篇博客的重点为 scrapy 管道 pipelines 的应用,学习时请重点关注。
爬取目标站点分析本次采集的目标站点为:https://www.zaih.com/falcon/mentors,目标数据为在行高手数据。
【#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目】

#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目

文章图片

本次数据保存到 mysql 数据库中,基于目标数据,设计表结构如下所示。
#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目

文章图片

对比表结构,可以直接将 scrapy 中的 items.py 文件编写完毕。
class ZaihangItem(scrapy.Item): # define the fields for your item here like: name = scrapy.Field()# 姓名 city = scrapy.Field()# 城市 industry = scrapy.Field()# 行业 price = scrapy.Field()# 价格 chat_nums = scrapy.Field()# 聊天人数 score = scrapy.Field()# 评分

编码时间项目的创建过程参考上一案例即可,本文直接从采集文件开发进行编写,该文件为 zh.py
本次目标数据分页地址需要手动拼接,所以提前声明一个实例变量(字段),该字段为 page,每次响应之后,判断数据是否为空,如果不为空,则执行 +1 操作。
请求地址模板如下:
https://www.zaih.com/falcon/mentors?first_tag_id=479& first_tag_name=心理& page=

当页码超过最大页数时,返回如下页面状态,所以数据为空状态,只需要判断 是否存在 class=emptysection 即可。
#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目

文章图片

解析数据与数据清晰直接参考下述代码即可。
import scrapy from zaihang_spider.items import ZaihangItemclass ZhSpider(scrapy.Spider): name = zh allowed_domains = [www.zaih.com] page = 1# 起始页码 url_format = https://www.zaih.com/falcon/mentors?first_tag_id=479& first_tag_name=%E5%BF%83%E7%90%86& page=# 模板 start_urls = [url_format.format(page)]def parse(self, response):empty = response.css("section.empty") # 判断数据是否为空 if len(empty) > 0: return # 存在空标签,直接返回 mentors = response.css(".mentor-board a") # 所有高手的超链接 for m in mentors: item = ZaihangItem() # 实例化一个对象 name = m.css(".mentor-card__name::text").extract_first() city = m.css(".mentor-card__location::text").extract_first() industry = m.css(".mentor-card__title::text").extract_first() price = self.replace_space(m.css(".mentor-card__price::text").extract_first()) chat_nums = self.replace_space(m.css(".mentor-card__number::text").extract()[0]) score = self.replace_space(m.css(".mentor-card__number::text").extract()[1])# 格式化数据 item["name"] = name item["city"] = city item["industry"] = industry item["price"] = price item["chat_nums"] = chat_nums item["score"] = scoreyield item # 再次生成一个请求 self.page += 1 next_url = format(self.url_format.format(self.page))yield scrapy.Request(url=next_url, callback=self.parse)def replace_space(self, in_str): in_str = in_str.replace("\\n", "").replace("\\r", "").replace("¥", "") return in_str.strip()

开启 settings.py 文件中的 ITEM_PIPELINES,注意类名有修改
ITEM_PIPELINES = zaihang_spider.pipelines.ZaihangMySQLPipeline: 300,

修改 pipelines.py 文件,使其能将数据保存到 MySQL 数据库中
在下述代码中,首先需要了解类方法 from_crawler,该方法是 __init__ 的一个代理,如果其存在,类被初始化时会被调用,并得到全局的 crawler,然后通过 crawler 就可以获取 settings.py 中的各个配置项。
除此之外,还存在一个 from_settings 方法,一般在官方插件中也有应用,示例如下所示。
@classmethod def from_settings(cls, settings): host= settings.get(HOST) return cls(host)@classmethod def from_crawler(cls, crawler): # FIXME: for now, stats are only supported from this constructor return cls.from_settings(crawler.settings)

在编写下述代码前,需要提前在 settings.py 中写好配置项。
settings.py 文件代码
HOST = "127.0.0.1" PORT = 3306 USER = "root" PASSWORD = "123456" DB = "zaihang"

pipelines.py 文件代码
import pymysqlclass ZaihangMySQLPipeline: def __init__(self, host, port, user, password, db): self.host = host self.port = port self.user = user self.password = password self.db = db self.conn = None self.cursor = None@classmethod def from_crawler(cls, crawler): return cls( host=crawler.settings.get(HOST), port=crawler.settings.get(PORT), user=crawler.settings.get(USER), password=crawler.settings.get(PASSWORD), db=crawler.settings.get(DB) )def open_spider(self, spider): self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, db=self.db)def process_item(self, item, spider): # print(item) # 存储到 MySQL name = item["name"] city = item["city"]industry = item["industry"] price = item["price"] chat_nums = item["chat_nums"] score = item["score"]sql = "insert into users(name,city,industry,price,chat_nums,score) values (%s,%s,%s,%.1f,%d,%.1f)" % ( name, city, industry, float(price), int(chat_nums), float(score)) print(sql) self.cursor = self.conn.cursor()# 设置游标try: self.cursor.execute(sql)# 执行 sql self.conn.commit() except Exception as e: print(e) self.conn.rollback() return itemdef close_spider(self, spider): self.cursor.close() self.conn.close()

管道文件中三个重要函数,分别是 open_spiderprocess_itemclose_spider
# 爬虫开启时执行,只执行一次 def open_spider(self, spider): # spider.name = "橡皮擦"# spider对象动态添加实例变量,可以在spider模块中获取该变量值,比如在 parse(self, response) 函数中通过self 获取属性 # 一些初始化动作 pass# 处理提取的数据,数据保存代码编写位置 def process_item(self, item, spider): pass# 爬虫关闭时执行,只执行一次,如果爬虫运行过程中发生异常崩溃,close_spider 不会执行 def close_spider(self, spider): # 关闭数据库,释放资源 pass

爬取结果展示
#yyds干货盘点# python scrapy 管道学习,并拿在行练手爬虫项目

文章图片

写在后面

    推荐阅读