利用scrapy将爬到的数据保存到mysql(防止重复)
作者:Waiting For You 时间:2024-01-23 15:35:28
前言
本文主要给大家介绍了关于scrapy爬到的数据保存到mysql(防止重复)的相关内容,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍吧。
1.环境建立
1.使用xmapp安装php, mysql ,phpmyadmin
2.安装python3,pip
3.安装pymysql
3.(windows 略)我这边是mac,安 * rew,用brew 安装scrapy
2.整个流程
1. 创建数据库和数据库表,准备保存
2.写入爬虫目标URL,进行网络请求
3.对爬返回数据进行处理,得到具体数据
4.对于具体数据保存到数据库中
2.1.创建数据库
首先创建一个数据库叫scrapy,然后创建一个表article,我们这里给body加了唯一索引,防止重复插入数据
--
-- Database: `scrapy`
--
-- --------------------------------------------------------
--
-- 表的结构 `article`
--
CREATE TABLE `article` (
`id` int(11) NOT NULL,
`body` varchar(200) CHARACTER SET utf8 COLLATE utf8_bin NOT NULL,
`author` varchar(50) CHARACTER SET utf8 COLLATE utf8_bin NOT NULL,
`createDate` datetime NOT NULL
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
--
-- Indexes for table `article`
--
ALTER TABLE `article`
ADD PRIMARY KEY (`id`),
ADD UNIQUE KEY `uk_body` (`body`);
弄好以后是这样的。
2.2 先看下整个爬虫项目的结构
quotes_spider.py是核心,负责对网络请求和对内容进行处理,然后对整理好的内容抛给pipelines进行具体处理,保存到数据库中,这样不会影响速度。
其他的看 图说明
2.2 写入爬虫目标URL,进行网络请求
import scrapy
from tutorial.items import TutorialItem
class QuotesSpider(scrapy.Spider):
name = "quotes"
def start_requests(self):
url = 'http://quotes.toscrape.com/tag/humor/'
yield scrapy.Request(url)
def parse(self, response):
item = TutorialItem()
for quote in response.css('div.quote'):
item['body'] = quote.css('span.text::text').extract_first()
item['author'] = quote.css('small.author::text').extract_first()
yield item
next_page = response.css('li.next a::attr("href")').extract_first()
if next_page is not None:
yield response.follow(next_page, self.parse)
start_requests 就是要写入具体要爬的URL
parse就是核心的对返回的数据进行处理的地方,然后以item的形式抛出,接下来定义好下一个要爬的内容
2.3 items
# -*- 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 TutorialItem(scrapy.Item):
body = scrapy.Field()
author = scrapy.Field()
pass
2.4 pipelines
# -*- 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 pymysql
import datetime
from tutorial import settings
import logging
class TutorialPipeline(object):
def __init__(self):
self.connect = pymysql.connect(
host = settings.MYSQL_HOST,
db = settings.MYSQL_DBNAME,
user = settings.MYSQL_USER,
passwd = settings.MYSQL_PASSWD,
charset = 'utf8',
use_unicode = True
)
self.cursor = self.connect.cursor();
def process_item(self, item, spider):
try:
self.cursor.execute(
"insert into article (body, author, createDate) value(%s, %s, %s) on duplicate key update author=(author)",
(item['body'],
item['author'],
datetime.datetime.now()
))
self.connect.commit()
except Exception as error:
logging.log(error)
return item
def close_spider(self, spider):
self.connect.close();
2.5 配置
ITEM_PIPELINES = {
'tutorial.pipelines.TutorialPipeline':300
}
MYSQL_HOST = 'localhost'
MYSQL_DBNAME = 'scrapy'
MYSQL_USER = 'root'
MYSQL_PASSWD = '123456'
MYSQL_PORT = 3306
3.启动爬虫
scrapy crawl quotes
来源:http://www.waitingfy.com/archives/1989
标签:scrapy,mysql,重复
0
投稿
猜你喜欢
Mysql字段为null的加减乘除运算方式
2024-01-17 23:35:40
php将文件夹打包成zip文件的简单实现方法
2024-05-11 09:48:14
python 3利用BeautifulSoup抓取div标签的方法示例
2023-09-17 02:57:48
JavaScript点击按钮后弹出透明浮动层的方法
2023-08-05 22:33:29
python3 map函数和filter函数详解
2023-05-02 02:17:32
vue中的 $slot 获取插槽的节点实例
2024-04-30 10:26:58
PHPMyadmin2.10中文显示为乱码的解决办法
2007-08-22 08:18:00
MSSQL经典语句
2024-01-22 02:59:12
vue-music关于Player播放器组件详解
2024-04-28 09:26:11
tensorflow入门:tfrecord 和tf.data.TFRecordDataset的使用
2022-06-29 16:23:40
TypeScript中extends的正确打开方式详解
2024-02-25 07:14:18
Python数据相关系数矩阵和热力图轻松实现教程
2022-06-08 05:12:06
基于Opencv图像识别实现答题卡识别示例详解
2023-05-18 20:32:50
Golang 发送http请求时设置header的实现
2024-05-08 10:45:45
php输出xml必须header的解决方法
2023-09-11 20:00:16
MySQL表的重命名字段添加及字段属性修改操作语法
2024-01-21 07:18:35
java连接Oracle数据库的工具类
2024-01-23 14:43:29
php7安装openssl扩展方法
2023-11-14 17:34:14
Python ord函数()案例详解
2023-06-25 04:50:28
简单的XML操作:XML文件创建
2008-04-25 10:31:00