爬虫实战四、PyCharm+Scrapy爬取数据并存入MySQL

avatar
作者
猴君
阅读量:0

注意:此博客衔接爬虫实战三、PyCharm搭建Scrapy开发调试环境,参考此博客之前请详细阅读爬虫实战三、PyCharm搭建Scrapy开发调试环境

#一、创建爬虫项目

注意:不能直接使用PyCharm创建Scrapy项目,所以需要在爬虫实战三、PyCharm搭建Scrapy开发调试环境的基础(PyCharm配置完Scrapy)之上,选中mySpider项目,点击PyCharm中下方的Terminal,进入对应的命令行,执行命令创建doubanSpider项目

scrapy startproject doubanSpider 

进入命令行。

TIM截图20190215160227.png

创建项目。

图片.png

#二、创建爬虫并编写代码

爬虫项目生成后,进入项目路径。

图片.png

执行命令创建douban爬虫

scrapy genspider douban "movie.douban.com" 

###2-1、编写items.py

# -*- 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 DoubanspiderItem(scrapy.Item):     # 电影标题     title = scrapy.Field()      # 电影信息     info = scrapy.Field()      # 电影评分     score = scrapy.Field()      # 评分人数     number = scrapy.Field()      # 简介     content = scrapy.Field() 

###2-2、编写spiders/douban.py

# -*- coding: utf-8 -*- import scrapy from doubanSpider.items import DoubanspiderItem   class DoubanSpider(scrapy.Spider):     name = "douban"      allowed_domains = ["movie.douban.com"]      start = 0      url = 'https://movie.douban.com/top250?start='      end = '&filter='      start_urls = [url + str(start) + end]      def parse(self, response):          item = DoubanspiderItem()          movies = response.xpath("//div[@class=\'info\']")          for movie in movies:              name = movie.xpath('div[@class="hd"]/a/span/text()').extract()              message = movie.xpath('div[@class="bd"]/p/text()').extract()              star = movie.xpath('div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract()              number = movie.xpath('div[@class="bd"]/div[@class="star"]/span/text()').extract()              quote = movie.xpath('div[@class="bd"]/p[@class="quote"]/span/text()').extract()              if quote:                 quote = quote[0]             else:                 quote = ''              item['title'] = ''.join(name)             item['info'] = quote             item['score'] = star[0]             item['content'] = ';'.join(message).replace(' ', '').replace('\n', '')             item['number'] = number[1].split('人')[0]              # 提交item             yield item          if self.start <= 225:             self.start += 25             yield scrapy.Request(self.url + str(self.start) + self.end, callback=self.parse)  

###2-3、编写pipelines.py

# -*- 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   from pymysql import cursors from twisted.enterprise import adbapi import time import copy   class DoubanspiderPipeline(object):      # 初始化函数     def __init__(self, db_pool):         self.db_pool = db_pool      # 从settings配置文件中读取参数     @classmethod     def from_settings(cls, settings):         # 用一个db_params接收连接数据库的参数         db_params = dict(             host=settings['MYSQL_HOST'],             user=settings['MYSQL_USER'],             password=settings['MYSQL_PASSWORD'],             port=settings['MYSQL_PORT'],             database=settings['MYSQL_DBNAME'],             charset=settings['MYSQL_CHARSET'],             use_unicode=True,             # 设置游标类型             cursorclass=cursors.DictCursor         )         # 创建连接池         db_pool = adbapi.ConnectionPool('pymysql', **db_params)          # 返回一个pipeline对象         return cls(db_pool)      # 处理item函数     def process_item(self, item, spider):          # 对象拷贝,深拷贝  --- 这里是解决数据重复问题!!!         asynItem = copy.deepcopy(item)          # 把要执行的sql放入连接池         query = self.db_pool.runInteraction(self.insert_into, asynItem)          # 如果sql执行发送错误,自动回调addErrBack()函数         query.addErrback(self.handle_error, item, spider)          # 返回Item         return item      # 处理sql函数     def insert_into(self, cursor, item):         # 创建sql语句         sql = "INSERT INTO movie (title,info,score,number,content,createtime) VALUES ('{}','{}','{}','{}','{}','{}')".format(             item['title'], item['info'], item['score'], item['number'], item['content'],             time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()))         # 执行sql语句         cursor.execute(sql)         # 错误函数      def handle_error(self, failure, item, spider):         # #输出错误信息         print("failure", failure) 

###2-4、编写settings.py

# -*- coding: utf-8 -*-   BOT_NAME = 'doubanSpider'  SPIDER_MODULES = ['doubanSpider.spiders'] NEWSPIDER_MODULE = 'doubanSpider.spiders'   # Obey robots.txt rules ROBOTSTXT_OBEY = True   USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36'   # Configure item pipelines # See https://doc.scrapy.org/en/latest/topics/item-pipeline.html ITEM_PIPELINES = {     'doubanSpider.pipelines.DoubanspiderPipeline': 300 }   # 连接数据MySQL # 数据库地址 MYSQL_HOST = 'localhost' # 数据库用户名: MYSQL_USER = 'root' # 数据库密码 MYSQL_PASSWORD = 'root' # 数据库端口 MYSQL_PORT = 3306 # 数据库名称 MYSQL_DBNAME = 'mydb' # 数据库编码 MYSQL_CHARSET = 'utf8' 

###在创建爬虫并编写代码时遇到的坑

#####坑1、Unresolved reference ‘xxx’ 或者显示 scrapy No module named ×××.items

TIM截图20190215170939.png

#####坑1、解决办法

将爬虫项目的文件夹类型改为Sources Root

TIM截图20190215171022.png

#####坑2、连接MySQL时缺少pymysql

TIM截图20190215171154.png

#####坑2、解决办法

点击File-> Settings->Project: mySpider->Project Interpreter,导入pymysql包。具体添加包的流程参考爬虫实战三、PyCharm搭建Scrapy开发调试环境

TIM截图20190215171242.png

#三、使用Pycharm连接MySQL数据库

连接MySQL的工具有很多,Pycharm本身也可以连接MySQL和其他多种数据库,并且提示功能比较强大,这里我使用Pycharm连接MySQL数据库。

TIM截图20190215171919.png

选择数据库类型,MySQL

TIM截图20190215171941.png

设置连接别名,主机,数据库,用户名,密码。

TIM截图20190215172302.png

设置完毕,连接MySQL。

图片.png

#四、创建爬虫项目对应的表以及执行爬虫。

###4-1、创建表

图片.png

创建movie表,注意 default charset = utf8 此处要和爬虫程序编码一致,否则存入到MySQL失败。

drop table movie;  CREATE TABLE `movie` (   `id`         int(100) NOT NULL AUTO_INCREMENT,   `title`      varchar(2048) DEFAULT NULL,   `info`       varchar(2048) DEFAULT NULL,   `score`      varchar(2048) DEFAULT NULL,   `number`     varchar(2048) DEFAULT NULL,   `content`    varchar(2048) DEFAULT NULL,   `createtime` varchar(2048) DEFAULT NULL,   PRIMARY KEY (`id`) ) engine = InnoDB   default charset = utf8; 

###4-2、执行爬虫

在爬虫项目对应的命令行中执行命令,运行爬虫

scrapy crawl douban 

TIM截图20190215171741.png

###4-3、查询数据,验证结果

在本地连接中执行SQL:

select * from movie; 

TIM截图20190215172554.png

爬虫数据并存入MySQL成功。注意,网上有部分博客实践后出现数据重复问题,此处我已经修改过代码保证数据不重复。

TIM截图20190215172854.png

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!