目的
写一个真正意义上一个爬虫,并将他爬取到的数据分别保存到txt、json、已经存在的mysql数据库中。
目标分析:
数据的筛选:
我们使用chrome开发者工具,模拟鼠标定位到相对应位置:
可以看到我们需要的数据,全都包裹在
里。 我们用bs4、xpath、css之类的选择器定位到这里,再筛选数据就行。 本着学习新知识的原则,文中的代码将会使用xpath定位。 这里我们可以这样:
response.xpath('//ul[@class="t clearfix"]')
Scrapy 框架的实施:
创建scrapy项目和爬虫:
$ scrapy startproject weather
$ cd weather
$ scrapy genspider HFtianqi /weather/10121.shtml
这样我们就已经将准备工作做完了。 看一下当前的目录:
├── scrapy.cfg
└── weather
├── __init__.py
├── __pycache__
│ ├── __init__.cpython-36.pyc
│ └── settings.cpython-36.pyc
├── items.py
├── middlewares.py
├── pipelines.py
├── settings.py
└── spiders
├── HFtianqi.py
├── __init__.py
└── __pycache__
└── __init__.cpython-36.pyc
4 directories, 11 files
编写items.py:
这次我们来先编写items,十分的简单,只需要将希望获取的字段名填写进去:
import scrapy
class WeatherItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
date = scrapy.Field()
temperature = scrapy.Field()
weather = scrapy.Field()
wind = scrapy.Field()
编写Spider:
这个部分使我们整个爬虫的核心!!
主要目的是:
将Downloader发给我们的Response里筛选数据,并返回给PIPELINE处理。
下面我们来看一下代码:
# -*- coding: utf-8 -*-
import scrapy
from weather.items import WeatherItem
class HftianqiSpider(scrapy.Spider):
name = 'HFtianqi'
allowed_domains = ['/weather/10121.shtml']
start_urls = ['/weather/10121.shtml']
def parse(self, response):
'''
筛选信息的函数:
date = 日期
temperature = 当天的温度
weather = 当天的天气
wind = 当天的风向
'''
# 先建立一个列表,用来保存每天的信息
items = []
# 找到包裹着天气信息的div
day = response.xpath('//ul[@class="t clearfix"]')
# 循环筛选出每天的信息:
for i in list(range(7)):
# 先申请一个weatheritem 的类型来保存结果
item = WeatherItem()
# 观察网页,并找到需要的数据
item['date'] = day.xpath('./li['+ str(i+1) + ']/h1//text()').extract()[0]
item['temperature'] = day.xpath('./li['+ str(i+1) + ']/p[@class="tem"]/i/text()').extract()[0]
item['weather'] = day.xpath('./li['+ str(i+1) + ']/p[@class="wea"]/text()').extract()[0]
item['wind'] = day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/em/span/@title').extract()[0] + day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/i/text()').extract()[0]
items.append(item)
return items
编写PIPELINE:
我们知道,pipelines.py是用来处理收尾爬虫抓到的数据的, 一般情况下,我们会将数据存到本地:
文本形式: 最基本的存储方式
json格式 :方便调用
数据库: 数据量比较大时选择的存储方式
TXT(文本)格式:
import os
import requests
import json
import codecs
import pymysql
class WeatherPipeline(object):
def process_item(self, item, spider):
print(item)
# print(item)
# 获取当前工作目录
base_dir = os.getcwd()
# 文件存在data目录下的weather.txt文件内,data目录和txt文件需要自己事先建立好
filename = base_dir + '/data/weather.txt'
# 从内存以追加的方式打开文件,并写入对应的数据
with open(filename, 'a') as f:
f.write(item['date'] + '\n')
f.write(item['temperature'] + '\n')
f.write(item['weather'] + '\n')
f.write(item['wind'] + '\n\n')
return item
json格式数据:
我们想要输出json格式的数据,最方便的是在PIPELINE里自定义一个class:
class W2json(object):
def process_item(self, item, spider):
'''
讲爬取的信息保存到json
方便其他程序员调用
'''
base_dir = os.getcwd()
filename = base_dir + '/data/weather.json'
# 打开json文件,向里面以dumps的方式吸入数据
# 注意需要有一个参数ensure_ascii=False ,不然数据会直接为utf编码的方式存入比如:“/xe15”
with codecs.open(filename, 'a') as f:
line = json.dumps(dict(item), ensure_ascii=False) + '\n'
f.write(line)
return item
数据库格式(mysql):
Python对市面上各种各样的数据库的操作都有良好的支持, 但是现在一般比较常用的免费数据库mysql。
在本地安装mysql:
linux和mac都有很强大的包管理软件,如apt,brew等等,window 可以直接去官网下载安装包。
由于我是Mac,所以我是说Mac的安装方式了。
$ brew install mysql
在安装的过程中,他会要求你填写root用户的密码,这里的root并不是系统层面上的超级用户,是mysql数据库的超级用户。 安装完成后mysql服务是默认启动的, 如果重启了电脑,需要这样启动(mac):
$ mysql.server start
登录mysql并创建scrapy用的数据库:
# 登录进mysql
$ mysql -uroot -p
# 创建数据库:ScrapyDB ,以utf8位编码格式,每条语句以’;‘结尾
CREATE DATABASE ScrapyDB CHARACTER SET 'utf8';
# 选中刚才创建的表:
use ScrapyDB;
# 创建我们需要的字段:字段要和我们代码里一一对应,方便我们一会写sql语句
CREATE TABLE weather(
id INT AUTO_INCREMENT,
date char(24),
temperature char(24),
weather char(24),
wind char(24),
PRIMARY KEY(id) )ENGINE=InnoDB DEFAULT CHARSET='utf8'
来看一下weather表长啥样:
show columns from weather
或者:desc weather
安装Python的mysql模块:
pip install pymysql
最后我们编辑一下代码:
class W2mysql(object):
def process_item(self, item, spider):
'''
将爬取的信息保存到mysql
'''
# 将item里的数据拿出来
date = item['date']
temperature = item['temperature']
weather = item['weather']
wind = item['wind']
# 和本地的scrapyDB数据库建立连接
connection = pymysql.connect(
host='127.0.0.1', # 连接的是本地数据库
user='root', # 自己的mysql用户名
passwd='********', # 自己的密码
db='ScrapyDB', # 数据库的名字
charset='utf8mb4', # 默认的编码方式:
cursorclass=pymysql.cursors.DictCursor)
try:
with connection.cursor() as cursor:
# 创建更新值的sql语句
sql = """INSERT INTO WEATHER(date,temperature,weather,wind)
VALUES (%s, %s, %s, %s)"""
# 执行sql语句
# excute 的第二个参数可以将sql缺省语句补全,一般以元组的格式
cursor.execute(
sql, (date, temperature, weather, wind))
# 提交本次插入的记录
mit()
finally:
# 关闭连接
connection.close()
return item
编写Settings.py
我们需要在Settings.py将我们写好的PIPELINE添加进去, scrapy才能够跑起来。
这里只需要增加一个dict格式的ITEM_PIPELINES, 数字value可以自定义,数字越小的优先处理。
BOT_NAME = 'weather'
SPIDER_MODULES = ['weather.spiders']
NEWSPIDER_MODULE = 'weather.spiders'
ROBOTSTXT_OBEY = True
ITEM_PIPELINES = {
'weather.pipelines.WeatherPipeline': 300,
'weather.pipelines.W2json': 400,
'weather.pipelines.W2mysql': 300,
}
让项目跑起来:
$ scrapy crawl HFtianqi
结果展示:
文本格式:
json格式:
数据库格式:
这次的例子就到这里了,主要介绍如何通过自定义PIPELINE来将爬取的数据以不同的方式保存。
相关文章和视频推荐
圆方圆学院汇集 Python + AI 名师,打造精品的 Python + AI 技术课程。 在各大平台都长期有优质免费公开课,欢迎报名收看。
公开课地址:/course/362788