Scrapy网络爬虫实战[保存为Json文件及存储到mysql数据库]

本文博客为原创，未经本人允许，不得扒下来传到百度文库及相关平台。

目录

Scrapy介绍

Scrapy 是一个为了爬取网站数据，提取结构性数据而编写的python应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。Scrapy 目前最新的版本，内容涉及安装，使用，开发，API 调试等全部知识点，帮助读者学习使用 Scrapy 框架开发网络爬虫。
关于Scrapy的安装，请看我前面写的一篇博客：http://blog.csdn.net/qy20115549/article/details/52528896

Scrapy建立新工程

在开始爬取之前，您必须创建一个新的 Scrapy 项目。 进入您打算存储代码的目录中【工作目录】，运行下列命令，如下是我创建的一个爬取豆瓣的工程douban【存储路径为：G:\python】:

下图为其自动生成的目录结构：

用Pycharm打开工程并编辑

如下图所示为Pycharm打开的结果，可以很清晰的看到其爬虫框架的目录结构：

items的编写

首先，文件中有items.py，这个里面这要是用来封装爬虫所要爬的字段，如爬豆瓣电影，需要爬电影的ID，url，电影名称等。

__author__ = ' HeFei University of Technology Qian Yang email：[e-mail]'# -*- coding:utf-8 -*-import scrapyclass MovieItem(scrapy.Item):    rank = scrapy.Field()    title = scrapy.Field()    link = scrapy.Field()    rate = scrapy.Field()    quote = scrapy.Field()

Spider的编写

Spider 是用户编写用于从单个网站(或者一些网站)爬取数据的类。其包含了一个用于下载的初始 URL，如何跟进网页中的链接以及如何分析页面中的内容， 提取生成 item 的方法。

__author__ = ' HeFei University of Technology Qian Yang email：[e-mail]'# -*- coding:utf-8 -*-import scrapyfrom douban.items import MovieItemclass Movie250Spider(scrapy.Spider):  # 定义爬虫的名称，主要main方法使用  name = 'doubanmovie'  allowed_domains = ["douban.com"]  start_urls = [    "http://movie.douban.com/top250/"  ]  # 解析数据  def parse(self, response):    items = []    for info in response.xpath('//div[@class="item"]'):      item = MovieItem()      item['rank'] = info.xpath('div[@class="pic"]/em/text()').extract()      item['title'] = info.xpath('div[@class="pic"]/a/img/@alt').extract()      item['link'] = info.xpath('div[@class="pic"]/a/@href').extract()      item['rate'] = info.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span/text()').extract()      item['quote'] = info.xpath('div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span/text()').extract()      items.append(item)      yield item    # 翻页    next_page = response.xpath('//span[@class="next"]/a/@href')    if next_page:      url = response.urljoin(next_page[0].extract())      #爬每一页      yield scrapy.Request(url, self.parse)

存储pipelines

以下写了两个存储方式，第一种是以Json的形式进行存储，第二种是将数据存储到mysql数据库。

__author__ = ' HeFei University of Technology Qian Yang email：[e-mail]'# -*- coding: utf-8 -*-import jsonimport codecs#以Json的形式存储class JsonWithEncodingCnblogsPipeline(object):    def __init__(self):        self.file = codecs.open('douban.json', 'w', encoding='utf-8')    def process_item(self, item, spider):        line = json.dumps(dict(item), ensure_ascii=False) + "\n"        self.file.write(line)        return item    def spider_closed(self, spider):        self.file.close()#将数据存储到mysql数据库from twisted.enterprise import adbapiimport MySQLdbimport MySQLdb.cursorsclass MySQLStorePipeline(object):    #数据库参数    def __init__(self):        dbargs = dict(             host = '127.0.0.1',             db = 'test',             user = 'root',             passwd = '112233',             cursorclass = MySQLdb.cursors.DictCursor,             charset = 'utf8',             use_unicode = True            )        self.dbpool = adbapi.ConnectionPool('MySQLdb',**dbargs)    '''    The default pipeline invoke function    '''    def process_item(self, item,spider):        res = self.dbpool.runInteraction(self.insert_into_table,item)        return item    #插入的表，此表需要事先建好    def insert_into_table(self,conn,item):            conn.execute('insert into douban(rank, title, rate,qute,link) values(%s,%s,%s,%s,%s)', (                item['rank'][0],                item['title'][0],                 # item['star'][0],                 item['rate'][0],                 item['quote'][0],                 item['link'][0])                )

settings的编写

settings主要放配置方面的文件，如下为我setting。

#USER_AGENTUSER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 Safari/536.5'# start MySQL database configure settingMYSQL_HOST = 'localhost'MYSQL_DBNAME = 'test'MYSQL_USER = 'root'MYSQL_PASSWD = '11223'# end of MySQL database configure settingITEM_PIPELINES = {    'douban.pipelines.JsonWithEncodingCnblogsPipeline': 300,    'douban.pipelines.MySQLStorePipeline': 300,}

main方法

__author__ = ' HeFei University of Technology Qian Yang email：[e-mail]'from scrapy import cmdlinecmdline.execute("scrapy crawl doubanmovie".split())

运行main方法

如下为其运行结果。