python实战项目scrapy管道学习爬取在行高手数据
目录
- 爬取目标站点分析
- 编码时间
- 爬取结果展示
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。
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。
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=empty
的 section
即可。
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 ZaihangItem class 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"] = score yield 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 pymysql class 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 item def 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_spider
,process_item
,close_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
以上就是python实战项目scrapy管道学习爬取在行高手数据的详细内容,更多关于python scrapy管道学习爬取在行的资料请关注我们其它相关文章!