原文鏈接:https://www.fkomm.cn/article/2018/8/5/31.html
目的
寫一個真正意義上一個爬蟲,並將他爬取到的數據分別保存到txt、json、已經存在的mysql數據庫中。
目標分析:
這次我們要爬的是 中國天氣網:http://www.weather.com.cn/ 。
隨便點開一個城市的天氣比如合肥: http://www.weather.com.cn/weather/101220101.shtml 。
我們要爬取的就是圖中的:合肥七天的前期預報:
數據的篩選:
我們使用chrome開發者工具,模擬鼠標定位到相對應位置:
可以看到我們需要的數據,全都包裹在
<ul class="t clearfix">
裏。 我們用bs4、xpath、css之類的選擇器定位到這裏,再篩選數據就行。 本着學習新知識的原則,文中的代碼將會使用xpath定位。 這裏我們可以這樣:
response.xpath('//ul[@class="t clearfix"]')
Scrapy 框架的實施:
創建scrapy項目和爬蟲:
$ scrapy startproject weather
$ cd weather
$ scrapy genspider HFtianqi www.weather.com.cn/weather/101220101.shtml
這樣我們就已經將準備工作做完了。 看一下當前的目錄:
``` .
├── 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
### 編寫items.py:
這次我們來先編寫items,十分的簡單,只需要將希望獲取的字段名填寫進去:
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()
### 編寫Spider:
**這個部分使我們整個爬蟲的核心!!**
主要目的是:
> 將Downloader發給我們的Response裏篩選數據,並返回給PIPELINE處理。
下面我們來看一下代碼:
# -*- coding: utf-8 -*-
import scrapy
from weather.items import WeatherItem
class HftianqiSpider(scrapy.Spider):
name = 'HFtianqi'
allowed_domains = ['www.weather.com.cn/weather/101220101.shtml']
start_urls = ['http://www.weather.com.cn/weather/101220101.shtml']
def parse(self, response):
'''
篩選信息的函數:
date = 日期
temperature = 當天的溫度
weather = 當天的天氣
wind = 當天的風向
'''
# 先建立一個列表,用來保存每天的信息
items = []
# 找到包裹着天氣信息的div
day = response.xpath('//ul[@class="t clearfix"]')
# 循環篩選出每天的信息:
for i in list(range(7)):
# 先申請一個weatheritem 的類型來保存結果
item = WeatherItem()
# 觀察網頁,並找到需要的數據
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
### 編寫PIPELINE:
我們知道,pipelines.py是用來處理收尾爬蟲抓到的數據的, 一般情況下,我們會將數據存到本地:
- 文本形式: 最基本的存儲方式
- json格式 :方便調用
- 數據庫: 數據量比較大時選擇的存儲方式
**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)
# 獲取當前工作目錄
base_dir = os.getcwd()
# 文件存在data目錄下的weather.txt文件內,data目錄和txt文件需要自己事先建立好
filename = base_dir + '/data/weather.txt'
# 從內存以追加的方式打開文件,並寫入對應的數據
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格式數據:**
我們想要輸出json格式的數據,最方便的是在PIPELINE裏自定義一個class:
class W2json(object):
def process_item(self, item, spider):
'''
講爬取的信息保存到json
方便其他程序員調用
'''
base_dir = os.getcwd()
filename = base_dir + '/data/weather.json'
# 打開json文件,向裏面以dumps的方式吸入數據
# 注意需要有一個參數ensure_ascii=False ,不然數據會直接爲utf編碼的方式存入比如:“/xe15”
with codecs.open(filename, 'a') as f:
line = json.dumps(dict(item), ensure_ascii=False) + '\n'
f.write(line)
return item
**數據庫格式(mysql):**
Python對市面上各種各樣的數據庫的操作都有良好的支持, 但是現在一般比較常用的免費數據庫mysql。
- 在本地安裝mysql:
linux和mac都有很強大的包管理軟件,如apt,brew等等,window 可以直接去官網下載安裝包。
*由於我是Mac,所以我是說Mac的安裝方式了。*
`$ brew install mysql`
在安裝的過程中,他會要求你填寫root用戶的密碼,這裏的root並不是系統層面上的超級用戶,是mysql數據庫的超級用戶。 安裝完成後mysql服務是默認啓動的, 如果重啓了電腦,需要這樣啓動(mac):
`$ mysql.server start`
- 登錄mysql並創建scrapy用的數據庫:
登錄進mysql
$ mysql -uroot -p
創建數據庫:ScrapyDB ,以utf8位編碼格式,每條語句以’;‘結尾
CREATE DATABASE ScrapyDB CHARACTER SET 'utf8';
選中剛纔創建的表:
use ScrapyDB;
創建我們需要的字段:字段要和我們代碼裏一一對應,方便我們一會寫sql語句
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'
來看一下weather表長啥樣:
show columns from weather
或者:desc weather
- 安裝Python的mysql模塊:
` pip install pymysql`
最後我們編輯一下代碼:
class W2mysql(object):
def process_item(self, item, spider):
'''
將爬取的信息保存到mysql
'''
# 將item裏的數據拿出來
date = item['date']
temperature = item['temperature']
weather = item['weather']
wind = item['wind']
# 和本地的scrapyDB數據庫建立連接
connection = pymysql.connect(
host='127.0.0.1', # 連接的是本地數據庫
user='root', # 自己的mysql用戶名
passwd='********', # 自己的密碼
db='ScrapyDB', # 數據庫的名字
charset='utf8mb4', # 默認的編碼方式:
cursorclass=pymysql.cursors.DictCursor)
try:
with connection.cursor() as cursor:
# 創建更新值的sql語句
sql = """INSERT INTO WEATHER(date,temperature,weather,wind)
VALUES (%s, %s, %s, %s)"""
# 執行sql語句
# excute 的第二個參數可以將sql缺省語句補全,一般以元組的格式
cursor.execute(
sql, (date, temperature, weather, wind))
# 提交本次插入的記錄
connection.commit()
finally:
# 關閉連接
connection.close()
return item
### 編寫Settings.py
我們需要在Settings.py將我們寫好的PIPELINE添加進去, scrapy才能夠跑起來。
這裏只需要增加一個dict格式的ITEM_PIPELINES, 數字value可以自定義,數字越小的優先處理。
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,
}
### 讓項目跑起來:
`$ scrapy crawl HFtianqi`
## 結果展示:
文本格式:
![](https://s1.51cto.com/images/blog/201812/19/430fad83258242b0837f9c7ba1195430.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_90,type_ZmFuZ3poZW5naGVpdGk=)
json格式:
![](https://s1.51cto.com/images/blog/201812/19/d9d06172f9b30eac709b03a63d773017.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_90,type_ZmFuZ3poZW5naGVpdGk=)
數據庫格式:
![](https://s1.51cto.com/images/blog/201812/19/4e0a8915c3bfd10788338ec0bf6f7ae4.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_90,type_ZmFuZ3poZW5naGVpdGk=)
這次的例子就到這裏了,主要介紹如何通過自定義PIPELINE來將爬取的數據以不同的方式保存。