Python实战演练之数据导出

上章回顾

前两章Python实战演练之scrapy初体验和Python实战演练之跨页爬取中讲到了scrapy项目的创建，爬虫的创建，数据的爬取以及跨页爬取。

数据导出

通过shell命令爬取的数据往往需要我们存放在某处

例如：执行如下命令来启用数据爬取

$ scrapy crawl crouses

将结果保存到文件中：格式：json、csv、xml、pickle、marshal等

$ scrapy crawl crouses -o fangs.json
$ scrapy crawl crouses -o fangs.csv
$ scrapy crawl crouses -o fangs.xml
$ scrapy crawl crouses -o fangs.pickle
$ scrapy crawl crouses -o fangs.marshal

除此之外，更多的时候我们需要将其存入数据库中。

存入数据库

我这里使用的mysql数据库，数据库管理工具使用的是Navicat Premium
mysql的安装以及Navicat如何连接mysql我空的时候再写出来跟大家分享吧。

ItemPipeline的介绍

• 当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理
• 每个item pipeline组件（有时称之为”Item Pipeline“）是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理
• 以下是item pipeline的一些典型应用：
  清理HTML数据
  验证爬取的数据（检查item包含某些字段）
  查重（并丢弃）
  将爬取结果保存到数据库中

如何自定义ItemPipeline

• 编写自己的item pipeline很简单，每个item pipelines组件是一个独立的Python类，同时必须实现以下方法：
  process_item(item,spider) 必须
  open_spider(spider) 可选
  close_spider(spider) 可选

process_item(item,spider)

每个item pipeline组件都需要调用该方法，这个方法必须返回一个Item（或任何继承类）对象，或是抛出DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理（可用于做数据过滤）
参数：

• item（Item 对象）-被爬取的item
• spider（Spider对象）-爬取该item的spider

此外，他们也可实现以下方法。

open_spider(spider)

当spider被开启时，这个方法被调用。
参数：

• spider（Spider 对象）- 被开启的spider

close_spider(spider)

当spider被关闭时，这个方法被调用
参数：

• spider（Spider 对象）- 被关闭的spider

这里pipelins.py代码如下：

import pymysql

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

class MysqlPipeline(object):
    def open_spider(self, spider):
        '''负责连接数据库'''
        self.db = pymysql.connect()
        # 获取游标对象
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        '''执行数据表的写入操作'''
        sql = "insert into courses(title,url,pic,teacher,time,price) values('%s','%s','%s','%s','%s','%s')"%(item['title'],item['url'],item['pic'],item['teacher'],str(item['time']),str(item['price']))
        self.cursor.execute(sql)
        self.db.commit()
        return item


    def close_spider(self, spider):
        '''关闭连接数据库'''
        self.db.close()

注意：

这里的操作是插入数据，前提是我已经在Navicat建好一个csdndb的数据库，并新建一个叫courses的表，如图所示：

一般数据库的连接中会传入数据库的名称，用户，密码，端口之类的参数，但是为了后面方便更改，将其放在settings里面处理。

在settings里面添加：

ITEM_PIPELINES = {
   # 'educsdn.pipelines.EducsdnPipeline': 300,
     'educsdn.pipelines.MysqlPipeline': 301,
}
MYSQL_HOST = "localhost"
MYSQL_DATABASE = "csdndb"
MYSQL_USER = "root"
MYSQL_PASS = "xxxxxx" #没有也可以留空
MYSQL_PORT = 3306

回到pipelines.py，改为：

import pymysql

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

class MysqlPipeline(object):
    def __init__(self, host, user, password, database, port):
        self.host = host
        self.user = user
        self.password = password
        self.database = database
        self.port = port

    @classmethod
    def from_crawler(cls, crawler):
        # 自动调用；为了实例化当前类对象；cls就是当前这个类
        return cls(
            host = crawler.settings.get("MYSQL_HOST"),
            user = crawler.settings.get("MYSQL_USER"),
            password = crawler.settings.get("MYSQL_PASS"),
            database = crawler.settings.get("MYSQL_DATABASE"),
            port = crawler.settings.get("MYSQL_PORT")

        )

    def open_spider(self, spider):
        '''负责连接数据库'''
        self.db = pymysql.connect(self.host, self.user, self.password, self.database, charset="utf8", port=self.port)
        # 获取游标对象
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        '''执行数据表的写入操作'''
        sql = "insert into courses(title,url,pic,teacher,time,price) values('%s','%s','%s','%s','%s','%s')"%(item['title'],item['url'],item['pic'],item['teacher'],str(item['time']),str(item['price']))
        self.cursor.execute(sql)
        self.db.commit()
        return item


    def close_spider(self, spider):
        '''关闭连接数据库'''
        self.db.close()

除此之外，还要在courses.py中将item传入pipelines中
courses.py完整代码如下：

import scrapy
from educsdn.items import CoursesItem

class CoursesSpider(scrapy.Spider):
    name = 'courses'
    allowed_domains = ['edu.csdn.net']
    start_urls = ['https://edu.csdn.net/courses/o280/p1']

    #第一页
    p = 1
    
    def parse(self, response):
        # 解析课程信息
        # 获取当前请求页面下的所有课程信息
        print(dd.xpath("./div[@class='titleInfor'/text()]").extract())
        dl = response.selector.css("div.course_item")
        # 遍历课程信息并封装到item
        for dd in dl:
            item = CoursesItem()
            item['title'] = dd.css("span.title::text").extract_first()
            item['url'] = dd.css("a::attr(href)").extract_first()
            item['pic'] = dd.css("img::attr(src)").extract_first()
            item['teacher'] = dd.css("span.lecname::text").extract_first()
            item['time'] = dd.css("span.course_lessons::text").extract_first()
            item['price'] = dd.css("p.priceinfo i::text").extract_first()
            # print(item)
            # 将数据送入pipelines
            yield item
        # 跨页提取信息
        self.p += 1
        if self.p < 4:
            next_url = 'https://edu.csdn.net/courses/o280/p'+ str(self.p)
            url = response.urljoin(next_url)
            yield scrapy.Request(url=url,callback=self.parse)

其实就是将print(item)改为yield item

其他代码在前两章有写，这里就不多说了，项目代码后期我会上传到Github上，敬请期待。

回到控制台

educsdn $ scrapy crawl courses

刷新数据库
如下所示，已经成功插入数据