码迷,mamicode.com
首页 > 数据库 > 详细

Scrapy和MongoDB的应用

时间:2015-09-28 13:21:54      阅读:409      评论:0      收藏:0      [点我收藏+]

标签:

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取Web站点并从页面中提取结构化的数据.它最吸引人的地方在于任何人都可以根据需求方便的修改。

MongoDB是现下非常流行的开源的非关系型数据库(NoSql),它是以“key-value”的形式存储数据的,在大数据量、高并发、弱事务方面都有很大的优势。

当Scrapy与MongoDB两者相碰撞会产生怎样的火花呢?与MongoDB两者相碰撞会产生怎样的火花呢?现在让我们做一个简单的爬取小说的TEST

1.安装Scrapy

pip install scrapy

2.下载安装MongoDB和MongoVUE可视化

[MongoDB下载地址](https://www.mongodb.org/)

下载安装的步骤略过,在bin目录下创建一个data文件夹用来存放数据的。

[MongoVUE下载地址](http://www.mongovue.com/)

安装完成后我们需要创建一个数据库。

技术分享

3.创建一个Scrapy项目

scrapy startproject novelspider

目录结构:其中的novspider.py是需要我们手动创建的(contrloDB不需要理会)

技术分享

4.编写代码

目标网站: http://www.daomubiji.com/

技术分享

settings.py

BOT_NAME = ‘novelspider‘

SPIDER_MODULES = [‘novelspider.spiders‘]
NEWSPIDER_MODULE = ‘novelspider.spiders‘

ITEM_PIPELINES = [‘novelspider.pipelines.NovelspiderPipeline‘]  #导入pipelines.py中的方法

USER_AGENT = ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:39.0) Gecko/20100101 Firefox/39.0‘
COOKIES_ENABLED = True

MONGODB_HOST = ‘127.0.0.1‘   
MONGODB_PORT = 27017
MONGODB_DBNAME = ‘zzl‘    #数据库名
MONGODB_DOCNAME = ‘Book‘   #表名

pipelines.py

from scrapy.conf import settings
import pymongo
class NovelspiderPipeline(object):
	def __init__(self):
		host = settings[‘MONGODB_HOST‘]
		port = settings[‘MONGODB_PORT‘]
		dbName = settings[‘MONGODB_DBNAME‘]
		client = pymongo.MongoClient(host=host, port=port)
		tdb = client[dbName]
		self.post = tdb[settings[‘MONGODB_DOCNAME‘]]
	def process_item(self, item, spider):
		bookInfo = dict(item)
		self.post.insert(bookInfo)
		return item

items.py

from scrapy import Item,Field
class NovelspiderItem(Item):
	# define the fields for your item here like:
	# name = scrapy.Field()
	bookName = Field()
	bookTitle = Field()
	chapterNum = Field()
	chapterName = Field()
	chapterURL = Field()

在spiders目录下创建novspider.py

from scrapy.spiders import CrawlSpider
from scrapy.selector import Selector
from novelspider.items import NovelspiderItem
class novSpider(CrawlSpider):
	name = "novspider"
	redis_key = ‘novspider:start_urls‘
	start_urls = [‘http://www.daomubiji.com/‘]
	def parse(self,response):
		selector = Selector(response)
		table = selector.xpath(‘//table‘)
		for each in table:
			bookName = each.xpath(‘tr/td[@colspan="3"]/center/h2/text()‘).extract()[0]
			content = each.xpath(‘tr/td/a/text()‘).extract()
			url = each.xpath(‘tr/td/a/@href‘).extract()
			for i in range(len(url)):
				item = NovelspiderItem()
				item[‘bookName‘] = bookName
				item[‘chapterURL‘] = url[i]
				try:
					item[‘bookTitle‘] = content[i].split(‘ ‘)[0]
					item[‘chapterNum‘] = content[i].split(‘ ‘)[1]
				except Exception,e:
					continue
				try:
					item[‘chapterName‘] = content[i].split(‘ ‘)[2]
				except Exception,e:
					item[‘chapterName‘] = content[i].split(‘ ‘)[1][-3:]
				yield item

5.启动项目命令: scrapy crawl novspider.

抓取结果

技术分享

Scrapy和MongoDB的应用

标签:

原文地址:http://www.cnblogs.com/JackQ/p/4843701.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!