用scrapy爬取ttlsa博文相关数据存储至mysql

标签：ensure   tps   定义   exec   mys   cto   util   自带   提取   

这段时间我就通过scrapy来收集下此博客内文章的相关数据,供以后需要从中提取我认为值得看的文章作为数据依据.

今天,要做的事就是把数据先抓取出来,后期再将其数据存储起来.

首先通过命令
scrapy genspider ttlsa www.ttlsa.com创建一个蜘蛛程序应用名为ttlsa

其次在ttlsa.py下编写如下代码.

# -*- coding: utf-8 -*-
import re
from urllib import parse
from datetime import datetime

import scrapy
from scrapy.http import Request
from ScrapyProject.utils.common import get_object_id

‘‘‘
获取ttlsa文章相关数据
‘‘‘

class TtlsaSpider(scrapy.Spider):
    name = ‘ttlsa‘
    allowed_domains = [‘www.ttlsa.com‘]
    start_urls = [‘http://www.ttlsa.com/‘]

    def parse(self, response):
        post_nodes = response.css("article")
        for node in post_nodes:
            front_img_url = node.css("figure:nth-child(1) > a:nth-child(1) > img:nth-child(1)::attr(src)").extract_first("")
            #create_time = node.css("div:nth-child(3) > span:nth-child(3) > span:nth-child(1)::text").extract_first("")
            url = node.css("figure:nth-child(1) > a:nth-child(1)::attr(href)").extract_first("")
            url = parse.urljoin(response.url,url)
            if  url != "http://www.ttlsa.com/":
                yield Request(url=url,meta={"front_img_url": front_img_url}, callback=self.parse_detail)

        next_page = response.css(".next ::attr(href)").extract_first("")
        if next_page:
            yield Request(url=parse.urljoin(response.url,next_page),callback=self.parse)

    def parse_detail(self,response):
        front_img_url = response.meta.get("front_img_url", "")
        try:
            create_time = response.css(".spostinfo ::text").extract()[3]
            pattern = ".*?(\d+/\d+/\d+)"
            m = re.match(pattern, create_time)
            create_time = datetime.strptime(m[1], "%d/%m/%Y").date()
        except IndexError:
            create_time = datetime.now().date()
        title = response.css(".entry-title::text").extract_first("")
        #评论数
        comment_nums = response.css("div.entry-content li.comment a::text").extract_first("0")
        comment_nums=comment_nums.replace("发表评论", "0")
        #点赞数
        praise_nums = response.css("a.dingzan .count::text").extract_first("0").strip()
        #tags
        tags = ",".join(response.css("ul.wow li a::text").extract())
        content = response.css(".single-content").extract()

        from ScrapyProject.items import TtlsaItem
        ttlsa_item = TtlsaItem()
        ttlsa_item["title"] = title
        ttlsa_item["comment_nums"] = comment_nums
        ttlsa_item["praise_nums"] = praise_nums
        ttlsa_item["tags"] = tags
        ttlsa_item["content"] = content
        ttlsa_item["create_time"] = create_time
        ttlsa_item["front_img_url"] = [front_img_url]
        ttlsa_item["url"] = response.url
        ttlsa_item["url_object_id"] = get_object_id(response.url)

        #使用yield,将会跳转到pipelines里执行相关类中,需要在settings.py中开启并且设置正确的ITEM_PIPELINES
        yield ttlsa_item

items.py

class TtlsaItem(scrapy.Item):
    title = scrapy.Field()
    comment_nums = scrapy.Field()
    praise_nums = scrapy.Field()
    tags = scrapy.Field()
    content = scrapy.Field()
    create_time = scrapy.Field()
    front_img_url = scrapy.Field()
    #记录下载的图片本地路径
    front_img_path = scrapy.Field()
    url=scrapy.Field()
    #因为url是固定长度,所以我们希望能获取一个固定长度的url对象值,供以后重复收集数据以判定是添加还是更新
    url_object_id=scrapy.Field()

pipeline.py

class TtlsaPipeline(object):
    def process_item(self,item,spider):
        return item

settings.py

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   ‘ScrapyProject.pipelines.TtlsaPipeline‘: 300,  #注意这里的数字，越小越优先执行
}

通过代码调试功能,便可以看到我们已经获取到我们想要的数据了.

并且在pipeline内打上断点,也能从pipeline中获取到数据了.

使用scrapy自带的pipeline下载图片,并且将其下载到本地,并且将图片路径保存到item中

1.重写pipeline

from scrapy.pipelines.images import ImagesPipeline,DropItem

class TtlsaImagesPipeline(ImagesPipeline):
     def item_completed(self, results, item, info):
        image_paths = [x[‘path‘] for ok, x in results if ok]
        if not image_paths:
            raise DropItem("Item contains no images")
        item[‘ front_img_path ‘] = image_paths
        return item

2.设置settings.py

ITEM_PIPELINES = {
    ‘ ScrapyProject.pipelines. TtlsaImagesPipeline ‘: 1,
}
IMAGES_URLS_FIELD = "front_img_url"
project_dir=os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE = os.path.join(project_dir,"images")

3.在项目录下新建一个images目录,如图:

这样,我在抓取网站图片后，就可以将其下载到项目的images目录下了.

并且可以看到我们下载的图片路径存储到item[‘front_img_url’]中了.

对与此字段url_object_id=scrapy.Field()我们可以使用hashlib库来实现.
utils/common.py

import hashlib

def get_object_id(url):
    md5 = hashlib.md5()
    md5.update(url.encode(‘utf-8‘))
    return md5.hexdigest()

if __name__ == ‘__main__‘:
    print(get_object_id("http://www.baidu.com"))

这时候我们在ttlsa.py中这样改写.
from ScrapyProject.utils.common import get_object_id
ttlsa_item["url_object_id"] = get_object_id(response.url)

好了,该获取的数据都已经获取了,下面我们将其数据存储起来,供以后分析.

存储这块,我考略将其分2部分,第一部分存储到文件,另一部分存储到mysql

1.存储到文件
1.1修改pipelines.py

class JsonWithEncodingPipeline(object):
    #自定义json文件的导出
    def __init__(self):
        self.file = codecs.open(‘ttlsa.json‘, ‘w‘, encoding="utf-8")

    def process_item(self, item, spider):
        lines = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(lines)
        return item

    def spider_closed(self, spider):
        self.file.close()

1.2 修改settings.py
ITEM_PIPELINES = {
‘ScrapyProject.pipelines.TtlsaImagesPipeline‘: 1,
‘ScrapyProject.pipelines.JsonWithEncodingPipeline‘:2,
}
这样我们就可以将数据存储到ttlsa.json文件中了.

2.存储到mysql中
2.1设计存储mysql库ttlsa_spider表article


让我们编写一个MysqlPipeline,让其抓取的数据存储到mysql中吧.

import MySQLdb
class MysqlPipeline(object):
    def __init__(self):
        self.conn = MySQLdb.connect(‘localhost‘, ‘root‘, ‘root‘, ‘ttlsa_spider‘, charset="utf8", use_unicode=True)
        self.cursor = self.conn.cursor()

    def process_item(self,item,spider):
        insert_sql = """
            insert into article(title,url,url_object_id,comment_nums,praise_nums,tags,content,create_time,
            front_img_url,front_img_path)
             values (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
        """
        self.cursor.execute(insert_sql,(item["title"], item["url"], item["url_object_id"], int(item["comment_nums"]),
                                        int(item["praise_nums"]), item["tags"], item["content"], item["create_time"],
                                        item["front_img_url"], item["front_img_path"]))
        self.conn.commit()

注意:我们将评论数,占赞数强制转换成int类型了.

修改settings.py
ITEM_PIPELINES = {
‘ScrapyProject.pipelines.TtlsaImagesPipeline‘: 1,
#‘ScrapyProject.pipelines.JsonWithEncodingPipeline‘: 2,
‘ScrapyProject.pipelines.MysqlPipeline‘: 3,

}

Debug跑下看看可有什么问题.

通过不断按F8,数据源源不断的流进数据库了,哈哈。

但是有一个问题，那就是当我们的数据量很大，大量的向数据库写入的时候,可能会导致数据库出现异常,这时我们应该使用异步的方式向数据库插入数据.下面我将使用异步插入的方式来重写pipeline.

首先们将数据库的配置文件写入到settings.py中.
#MYSQL
MYSQL_HOST="127.0.0.1"
MYSQL_USER="root"
MYSQL_PWD="4rfv%TGB^"
MYSQL_DB="ttlsa_spider"

后面我们如果想使用settings.py文件里定义的变量，可以在pipeline.py文件中的定义的类中使用from_settings(cls,settings)这个方法来获取.

from twisted.enterprise import adbapi
class MysqlTwsitedPipeline(object):
    def __init__(self, dbpool):
        self.dbpool = dbpool

    @classmethod
    def from_settings(cls, settings):
        dbparms = {
            ‘host‘: settings["MYSQL_HOST"],
            ‘db‘: settings["MYSQL_DB"],
            ‘user‘: settings["MYSQL_USER"],
            ‘passwd‘: settings["MYSQL_PWD"],
            ‘charset‘: ‘utf8‘,
            ‘use_unicode‘: True
        }
        dbpool=adbapi.ConnectionPool("MySQLdb", cp_min=10, cp_max=20, **dbparms)
        return cls(dbpool)

    def process_item(self,item,spider):
        """
        使用twisted将mysql插入变成异步执行
        """
        query = self.dbpool.runInteraction(self.doInsert,item)
        query.addErrback(self.handle_error,item,spider) #处理异步写入错误

    def handle_error(self,failurer,item,spider):
        if failurer:
            print(failurer)

    def doInsert(self,cursor,item):
        insert_sql = """
             insert into article(title,url,url_object_id,comment_nums,praise_nums,tags,content,create_time,
             front_img_url,front_img_path)
              values (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
         """
        cursor.execute(insert_sql, (item["title"], item["url"], item["url_object_id"], int(item["comment_nums"]),
                                         int(item["praise_nums"]), item["tags"], item["content"], item["create_time"],
                                         item["front_img_url"], item["front_img_path"]))

再将MysqlTwsitedPipeline类写入到settings.py文件中.
ITEM_PIPELINES = {
‘ScrapyProject.pipelines.TtlsaImagesPipeline‘: 1,
#‘ScrapyProject.pipelines.JsonWithEncodingPipeline‘: 2,
‘ScrapyProject.pipelines.MysqlTwsitedPipeline‘: 3,
}

调试代码.

好了，数据又源源不断的写到数据库中了.

再看下与数据库连接的数目:

数了一下，有12个。也就是在连接池中的数量是由cp_min=10,cp_max=20定义的.

到此,数据便存储到mysql中了.

如果想了解更多，请关注我们的公众号
公众号ID:opdevos
扫码关注

用scrapy爬取ttlsa博文相关数据存储至mysql

标签：ensure   tps   定义   exec   mys   cto   util   自带   提取   

原文地址：http://blog.51cto.com/5ydycm/2339437