python使用adbapi實(shí)現(xiàn)MySQL數(shù)據(jù)庫(kù)的異步存儲(chǔ)
之前一直在寫(xiě)有關(guān)scrapy爬蟲(chóng)的事情，今天我們看看使用scrapy如何把爬到的數(shù)據(jù)放在MySQL數(shù)據(jù)庫(kù)中保存。
有關(guān)python操作MySQL數(shù)據(jù)庫(kù)的內(nèi)容，網(wǎng)上已經(jīng)有很多內(nèi)容可以參考了，但都是在同步的操作MySQL數(shù)據(jù)庫(kù)。在數(shù)據(jù)量不大的情況下，這種方法固然可以，但是一旦數(shù)據(jù)量增長(zhǎng)后，MySQL就會(huì)出現(xiàn)崩潰的情況，因?yàn)榫W(wǎng)上爬蟲(chóng)的速度要遠(yuǎn)遠(yuǎn)高過(guò)往數(shù)據(jù)庫(kù)中插入數(shù)據(jù)的速度。為了避免這種情況發(fā)生，我們就需要使用異步的方法來(lái)存儲(chǔ)數(shù)據(jù)，爬蟲(chóng)與數(shù)據(jù)存儲(chǔ)互不影響。
為了顯示方便，我們把程序設(shè)計(jì)的簡(jiǎn)單一點(diǎn)，只是爬一頁(yè)的數(shù)據(jù)。我們今天選擇伯樂(lè)在線這個(gè)網(wǎng)站來(lái)爬取，只爬取第一頁(yè)的數(shù)據(jù)。
首先我們還是要啟動(dòng)一個(gè)爬蟲(chóng)項(xiàng)目，然后自己建了一個(gè)爬蟲(chóng)的文件jobbole.py。我們先來(lái)看看這個(gè)文件中的代碼
# -*- coding: utf-8 -*-
import io
import sys
import scrapy
import re
import datetime
from scrapy.http import Request
from urllib import parse
from ArticleSpider.items import JobboleArticleItem, ArticleItemLoader
from scrapy.loader import ItemLoader
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
class JobboleSpider(scrapy.Spider):
"""docstring for JobboleSpider"""
name = "jobbole"
allowed_domain = ["blog.jobbole.com"]
start_urls = ['http://blog.jobbole.com/all-posts/']
def parse(self, response):
"""
1.獲取列表頁(yè)中的文章url
"""
# 解析列表匯中所有文章url并交給scrapy下載器并進(jìn)行解析
post_nodes = response.css("#archive .floated-thumb .post-thumb a")
for post_node in post_nodes:
image_url = post_node.css("img::attr(src)").extract_first("")# 這里取出每篇文章的封面圖，并作為meta傳入Request
post_url = post_node.css("::attr(href)").extract_first("")
yield Request(url = parse.urljoin(response.url, post_url), meta = {"front_image_url":image_url}, callback = self.parse_detail)
def parse_detail(self, response):
article_item = JobboleArticleItem()
# 通過(guò)ItemLoader加載Item
# 通過(guò)add_css后的返回值都是list型，所有我們?cè)賗tems.py要進(jìn)行處理
item_loader = ArticleItemLoader(item = JobboleArticleItem(), response = response)
item_loader.add_css("title", ".entry-header h1::text")
item_loader.add_value("url", response.url)
# item_loader.add_value("url_object_id", get_md5(response.url))
item_loader.add_value("url_object_id", response.url)
item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text")
item_loader.add_value("front_image_url", [front_image_url])
item_loader.add_css("praise_nums", ".vote-post-up h10::text")
item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text")
item_loader.add_css("fav_nums", ".bookmark-btn::text")
item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text")
item_loader.add_css("content", "div.entry")
article_item = item_loader.load_item()
print(article_item["tags"])
yield article_item
pass
這里我把代碼進(jìn)行了簡(jiǎn)化，首先對(duì)列表頁(yè)發(fā)出請(qǐng)求，這里只爬取一頁(yè)數(shù)據(jù)，然后分析每一頁(yè)的url，并且交給scrapy對(duì)每一個(gè)url進(jìn)行請(qǐng)求，得到每篇文章的詳情頁(yè)，把詳情頁(yè)的相關(guān)內(nèi)容放在MySQL數(shù)據(jù)庫(kù)中。
這里使用itemloader來(lái)進(jìn)行頁(yè)面的解析，這樣解析有個(gè)最大的好處就是可以把解析規(guī)則存放在數(shù)據(jù)庫(kù)中，實(shí)現(xiàn)對(duì)解析規(guī)則的動(dòng)態(tài)加載。但是要注意一點(diǎn)是使用itemloader中css方式和xpath方式得到的數(shù)據(jù)都是list型，因此還需要在items.py中再對(duì)相對(duì)應(yīng)的數(shù)據(jù)進(jìn)行處理。
接下來(lái)我們就來(lái)看看items.py是如何處理list數(shù)據(jù)的。
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import datetime
import re
import scrapy
from scrapy.loader import ItemLoader
from scrapy.loader.processors import MapCompose, TakeFirst,Join
from ArticleSpider.utils.common import get_md5
def convert_date(value):
try:
create_date = datetime.datetime.strptime(create_date, "%Y/%m/%d").date()
except Exception as e:
create_date = datetime.datetime.now().date()
return create_date
def get_nums(value):
match_re = re.match(".*?(\d+).*", value)
if match_re:
nums = int(match_re.group(1))
else:
nums = 0
return nums
def remove_comment_tags(value):
# 去掉tags中的評(píng)論內(nèi)容
if "評(píng)論" in value:
# 這里做了修改，如果返回""，則在list中仍然會(huì)占位，會(huì)變成類似于["程序員",,"解鎖"]這樣
# return ""
return None
else:
return value
def return_value(value):
return
class ArticleItemLoader(ItemLoader):
"""docstring for AriticleItemLoader"""
# 自定義ItemLoader
default_output_processor = TakeFirst()
class ArticlespiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
class JobboleArticleItem(scrapy.Item):
"""docstring for ArticlespiderItem"""
title = scrapy.Field()
create_date = scrapy.Field(
input_processor = MapCompose(convert_date)
)
url = scrapy.Field()
url_object_id = scrapy.Field(
output_processor = MapCompose(get_md5)
)
# 這里注意front_image_url還是一個(gè)list，在進(jìn)行sql語(yǔ)句時(shí)還需要處理
front_image_url = scrapy.Field(
output_processor = MapCompose(return_value)
)
front_image_path = scrapy.Field()
praise_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
comment_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
fav_nums = scrapy.Field(
input_processor = MapCompose(get_nums)
)
# tags要做另行處理，因?yàn)閠ags我們需要的就是list
tags = scrapy.Field(
input_processor = MapCompose(remove_comment_tags),
output_processor = Join(",")
)
content = scrapy.Field()
首先我們看到定義了一個(gè)類ArticleItemloader，在這個(gè)類中只有一句話，就是對(duì)于每個(gè)items都默認(rèn)采用list中的第一個(gè)元素，這樣我們就可以把每個(gè)items中的第一個(gè)元素取出來(lái)。但是要注意，有些items我們是必須要用list型的，比如我們給ImagePipeline的數(shù)據(jù)就要求必須是list型，這樣我們就需要對(duì)front_image_url單獨(dú)進(jìn)行處理。這里我們做了一個(gè)小技巧，對(duì)front_image_url什么都不錯(cuò)，因?yàn)槲覀儌鬟^(guò)來(lái)的front_image_url就是list型
在items的Field中有兩個(gè)參數(shù)，一個(gè)是input_processor，另一個(gè)是output_processor，這兩個(gè)參數(shù)可以幫助我們對(duì)items的list中的每個(gè)元素進(jìn)行處理，比如有些需要用md5進(jìn)行加密，有些需要用正則表達(dá)式進(jìn)行篩選或者排序等等。
在進(jìn)行mysql的pipeline之前，我們需要設(shè)計(jì)數(shù)據(jù)庫(kù)，下面是我自己設(shè)計(jì)的數(shù)據(jù)庫(kù)的字段，僅供參考
這里我把url_object_id作為該表的主鍵，由于它不會(huì)重復(fù)，所以適合做主鍵。
下面我們來(lái)看看數(shù)據(jù)庫(kù)的pipeline。
# -*- 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
import codecs
import json
from twisted.enterprise import adbapi
import MySQLdb
import MySQLdb.cursors
class MysqlTwistedPipeline(object):
"""docstring for MysqlTwistedPipeline"""
#采用異步的機(jī)制寫(xiě)入mysql
def __init__(self, dbpool):
self.dbpool = dbpool
@classmethod
def from_settings(cls, settings):
dbparms = dict(
host = settings["MYSQL_HOST"],
db = settings["MYSQL_DBNAME"],
user = settings["MYSQL_USER"],
passwd = settings["MYSQL_PASSWORD"],
charset='utf8',
cursorclass=MySQLdb.cursors.DictCursor,
use_unicode=True,
)
dbpool = adbapi.ConnectionPool("MySQLdb", **dbparms)
return cls(dbpool)
def process_item(self, item, spider):
#使用twisted將mysql插入變成異步執(zhí)行
query = self.dbpool.runInteraction(self.do_insert, item)
query.addErrback(self.handle_error, item, spider) #處理異常
return item
def handle_error(self, failure, item, spider):
# 處理異步插入的異常
print (failure)
def do_insert(self, cursor, item):
#執(zhí)行具體的插入
#根據(jù)不同的item 構(gòu)建不同的sql語(yǔ)句并插入到mysql中
# insert_sql, params = item.get_insert_sql()
# print (insert_sql, params)
# cursor.execute(insert_sql, params)
insert_sql = """
insert into jobbole_article(title, url, create_date, fav_nums, url_object_id)
VALUES (%s, %s, %s, %s, %s)
"""
# 可以只使用execute，而不需要再使用commit函數(shù)
cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"], item["url_object_id"]))
在這里我們只是演示一下，我們只向數(shù)據(jù)庫(kù)中插入5個(gè)字段的數(shù)據(jù)，分別是title，url，create_date，fav_nums，url_object_id。
當(dāng)然你也可以再加入其它的字段。
首先我們看看from_settings這個(gè)函數(shù)，它可以從settings.py文件中取出我們想想要的數(shù)據(jù)，這里我們把數(shù)據(jù)庫(kù)的host，dbname，username和password都放在settings.py中。實(shí)際的插入語(yǔ)句還是在process_item中進(jìn)行，我們自己定義了一個(gè)函數(shù)do_insert，然后把它傳給dbpool中用于插入真正的數(shù)據(jù)。
最后我們來(lái)看看settings.py中的代碼，這里就很簡(jiǎn)單了。
MYSQL_HOST = "localhost" MYSQL_DBNAME = "article_wilson" MYSQL_USER = "root" MYSQL_PASSWORD = "root"
其實(shí)這里是和pipeline中的代碼是想對(duì)應(yīng)的，別忘了把在settings.py中把pipeline打開(kāi)。
ITEM_PIPELINES = {
# 'ArticleSpider.pipelines.ArticlespiderPipeline': 300,
# 'ArticleSpider.pipelines.JsonWithEncodingPipeline': 1
# # 'scrapy.pipelines.images.ImagePipeline': 1,
# 'ArticleSpider.pipelines.JsonExporterPipleline': 1
# 'ArticleSpider.pipelines.ArticleImagePipeline': 2
# 'ArticleSpider.pipelines.MysqlPipeline': 1
'ArticleSpider.pipelines.MysqlTwistedPipeline': 1
}
好了，現(xiàn)在我們可以跑一程序吧。
scrapy crawl jobbole
下面是運(yùn)行結(jié)果的截圖
好了，以上就是今天的全部?jī)?nèi)容了。
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了載及安裝Python詳細(xì)步驟,安裝python分三個(gè)步驟，具體安裝方法本文給大家介紹的非常詳細(xì)，需要的朋友可以參考下2019-11-11
Python利用IPython提高開(kāi)發(fā)效率
本文詳細(xì)介紹了在python中如何利用ipython提高代碼開(kāi)發(fā)效率，對(duì)大家使用python很有幫助，有需要的小伙伴們可以參考借鑒。2016-08-08
python使用正則搜索字符串或文件中的浮點(diǎn)數(shù)代碼實(shí)例
這篇文章主要介紹了python使用正則搜索字符串或文件中的浮點(diǎn)數(shù)代碼實(shí)例,同時(shí)包含一個(gè)讀寫(xiě)到文件功能,需要的朋友可以參考下2014-07-07
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)滑雪游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2020-02-02
由于PYTHON2.7即將停止支持，小編給大家分享了一篇關(guān)python2.7到3.x遷移指南內(nèi)容，希望對(duì)各位有用。2018-02-02
使用Python實(shí)現(xiàn)七大排序算法的代碼實(shí)例
這篇文章主要介紹了使用Python實(shí)現(xiàn)七大排序算法的代碼實(shí)例,所謂排序，就是使一串記錄，按照其中的某個(gè)或某些關(guān)鍵字的大小，遞增或遞減的排列起來(lái)的操作,需要的朋友可以參考下2023-07-07
python區(qū)塊鏈持久化和命令行接口實(shí)現(xiàn)簡(jiǎn)版
這篇文章主要為大家介紹了python區(qū)塊鏈持久化和命令行接口實(shí)現(xiàn)簡(jiǎn)版，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
pandas 如何保存數(shù)據(jù)到excel,csv
這篇文章主要介紹了pandas 如何保存數(shù)據(jù)到excel,csv的實(shí)現(xiàn)方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-07-07
和其他的包管理工具一樣,pip在國(guó)內(nèi)使用也會(huì)經(jīng)常遇到傳輸困難的問(wèn)題,那么接下來(lái)就介紹一下Python的包管理器pip更換軟件源的方法詳解:2016-06-06
python實(shí)現(xiàn)簡(jiǎn)單遺傳算法
這篇文章主要介紹了python如何實(shí)現(xiàn)簡(jiǎn)單遺傳算法，幫助大家更好的利用python進(jìn)行數(shù)據(jù)分析，感興趣的朋友可以了解下2020-09-09