python實戰(zhàn)項目scrapy管道學習爬取在行高手數(shù)據(jù)

更新時間：2021年11月13日 17:20:59 作者：夢想橡皮擦

這篇文章主要為介紹了python實戰(zhàn)項目scrapy管道學習拿在行練手爬蟲項目，爬取在行高手數(shù)據(jù)，本篇博客的重點為scrapy管道pipelines的應(yīng)用，學習時請重點關(guān)注

爬取目標站點分析

本次采集的目標站點為：https://www.zaih.com/falcon/mentors，目標數(shù)據(jù)為在行高手數(shù)據(jù)。

從前有一個網(wǎng)站叫在行，今天拿它練Python爬蟲

本次數(shù)據(jù)保存到 MySQL 數(shù)據(jù)庫中，基于目標數(shù)據(jù)，設(shè)計表結(jié)構(gòu)如下所示。

從前有一個網(wǎng)站叫在行，今天拿它練Python爬蟲

對比表結(jié)構(gòu)，可以直接將 scrapy 中的 items.py 文件編寫完畢。

class ZaihangItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()  # 姓名
    city = scrapy.Field()  # 城市
    industry = scrapy.Field()  # 行業(yè)
    price = scrapy.Field()  # 價格
    chat_nums = scrapy.Field()  # 聊天人數(shù)
    score = scrapy.Field()  # 評分

編碼時間

項目的創(chuàng)建過程參考上一案例即可，本文直接從采集文件開發(fā)進行編寫，該文件為 zh.py。
本次目標數(shù)據(jù)分頁地址需要手動拼接，所以提前聲明一個實例變量（字段），該字段為 page，每次響應(yīng)之后，判斷數(shù)據(jù)是否為空，如果不為空，則執(zhí)行 +1 操作。

請求地址模板如下：

https://www.zaih.com/falcon/mentors?first_tag_id=479&first_tag_name=心理&page={}

當頁碼超過最大頁數(shù)時，返回如下頁面狀態(tài)，所以數(shù)據(jù)為空狀態(tài)，只需要判斷是否存在 class=empty 的 section 即可。

從前有一個網(wǎng)站叫在行，今天拿它練Python爬蟲

解析數(shù)據(jù)與數(shù)據(jù)清晰直接參考下述代碼即可。

import scrapy
from zaihang_spider.items import ZaihangItem
class ZhSpider(scrapy.Spider):
    name = 'zh'
    allowed_domains = ['www.zaih.com']
    page = 1  # 起始頁碼
    url_format = 'https://www.zaih.com/falcon/mentors?first_tag_id=479&first_tag_name=%E5%BF%83%E7%90%86&page={}'  # 模板
    start_urls = [url_format.format(page)]
    def parse(self, response):
        empty = response.css("section.empty") # 判斷數(shù)據(jù)是否為空
        if len(empty) > 0:
            return # 存在空標簽，直接返回
        mentors = response.css(".mentor-board a") # 所有高手的超鏈接
        for m in mentors:
            item = ZaihangItem() # 實例化一個對象
            name = m.css(".mentor-card__name::text").extract_first()
            city = m.css(".mentor-card__location::text").extract_first()
            industry = m.css(".mentor-card__title::text").extract_first()
            price = self.replace_space(m.css(".mentor-card__price::text").extract_first())
            chat_nums = self.replace_space(m.css(".mentor-card__number::text").extract()[0])
            score = self.replace_space(m.css(".mentor-card__number::text").extract()[1])
            # 格式化數(shù)據(jù)
            item["name"] = name
            item["city"] = city
            item["industry"] = industry
            item["price"] = price
            item["chat_nums"] = chat_nums
            item["score"] = score
            yield item
        # 再次生成一個請求
        self.page += 1
        next_url = format(self.url_format.format(self.page))
        yield scrapy.Request(url=next_url, callback=self.parse)
    def replace_space(self, in_str):
        in_str = in_str.replace("\n", "").replace("\r", "").replace("￥", "")
        return in_str.strip()

開啟 settings.py 文件中的 ITEM_PIPELINES，注意類名有修改

ITEM_PIPELINES = {
   'zaihang_spider.pipelines.ZaihangMySQLPipeline': 300,
}

修改 pipelines.py 文件，使其能將數(shù)據(jù)保存到 MySQL 數(shù)據(jù)庫中
在下述代碼中，首先需要了解類方法 from_crawler，該方法是 __init__ 的一個代理，如果其存在，類被初始化時會被調(diào)用，并得到全局的 crawler，然后通過 crawler 就可以獲取 settings.py 中的各個配置項。

除此之外，還存在一個 from_settings 方法，一般在官方插件中也有應(yīng)用，示例如下所示。

@classmethod
def from_settings(cls, settings):
    host= settings.get('HOST')
    return cls(host)

@classmethod
def from_crawler(cls, crawler):
  # FIXME: for now, stats are only supported from this constructor
  return cls.from_settings(crawler.settings)

在編寫下述代碼前，需要提前在 settings.py 中寫好配置項。

settings.py 文件代碼

HOST = "127.0.0.1"
PORT = 3306
USER = "root"
PASSWORD = "123456"
DB = "zaihang"

pipelines.py 文件代碼

import pymysql
class ZaihangMySQLPipeline:
    def __init__(self, host, port, user, password, db):
        self.host = host
        self.port = port
        self.user = user
        self.password = password
        self.db = db
        self.conn = None
        self.cursor = None
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            host=crawler.settings.get('HOST'),
            port=crawler.settings.get('PORT'),
            user=crawler.settings.get('USER'),
            password=crawler.settings.get('PASSWORD'),
            db=crawler.settings.get('DB')
        )
    def open_spider(self, spider):
        self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, db=self.db)
    def process_item(self, item, spider):
        # print(item)
        # 存儲到 MySQL
        name = item["name"]
        city = item["city"]
        industry = item["industry"]
        price = item["price"]
        chat_nums = item["chat_nums"]
        score = item["score"]
        sql = "insert into users(name,city,industry,price,chat_nums,score) values ('%s','%s','%s',%.1f,%d,%.1f)" % (
            name, city, industry, float(price), int(chat_nums), float(score))
        print(sql)
        self.cursor = self.conn.cursor()  # 設(shè)置游標
        try:
            self.cursor.execute(sql)  # 執(zhí)行 sql
            self.conn.commit()
        except Exception as e:
            print(e)
            self.conn.rollback()
        return item
    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

管道文件中三個重要函數(shù)，分別是 open_spider，process_item，close_spider。

# 爬蟲開啟時執(zhí)行，只執(zhí)行一次
def open_spider(self, spider):
    # spider.name = "橡皮擦"  # spider對象動態(tài)添加實例變量，可以在spider模塊中獲取該變量值，比如在 parse(self, response) 函數(shù)中通過self 獲取屬性
    # 一些初始化動作
    pass

# 處理提取的數(shù)據(jù)，數(shù)據(jù)保存代碼編寫位置
def process_item(self, item, spider):
    pass

# 爬蟲關(guān)閉時執(zhí)行，只執(zhí)行一次，如果爬蟲運行過程中發(fā)生異常崩潰，close_spider 不會執(zhí)行
def close_spider(self, spider):
    # 關(guān)閉數(shù)據(jù)庫，釋放資源
    pass