Python爬虫爬取伯乐在线网站信息
一.环境搭建
1.创建环境
- 执行
pip install scrapy
安装scrapy - 使用
scrapy startproject ArticleSpider
创建scrapy项目 - 使用pycharm导入创建的scrapy项目
2.项目结构
- scrapy.cfg:scrapy配置文件
- settings.py:配置代码文件信息
- pipelines.py:和数据存储相关的文件
- middlewares.py:存放中间件
- items.py:定义数据保存的格式
- spiders文件夹存放爬虫文件
3.使用命令创建爬虫文件
scrapy genspider 爬虫名称 网站域名
在spiders文件夹中创建爬虫文件
二.xpath编写爬虫代码
1.编写设计
pycharm没有scrapy模板,所以没法调试,我们可以通过创建
main.py
文件调用命令行,完成调试。在项目外侧创建main.py,代码如下
#execute函数可以执行scrapy脚本 from scrapy.cmdline import execute #需要sys获得工程目录 import sys #利用os获得工程目录 import os #需要设置工程目录,设置完工程目录之后调用execute函数才会生效 #print(os.path.dirname(os.path.abspath(__file__)))则会获取到当前main文件的路径的上一级包名 sys.path.append(os.path.dirname(os.path.abspath(__file__))) #execute相当于执行命令 execute(["scrapy","crawl","jobbole"])
【注意】:设置setting中的
ROBOTSTXT_OBEY=False
,如果不设置scrapy会默认读取每一个网站上的robots协议,会把不符合协议的url给过滤掉,很快就会执行结束执行debug main则会以debug模式运行爬虫
2.利用xpath提取值
xpath简介
- xpath使用路径表达式在xml和html中进行导航
- xpath包括标准函数库
- xpath是一个w3c的标准
xpath节点关系
- 父节点
- 子节点
- 同胞节点
- 先辈节点
- 后代节点
xpath语法
表达式 说明 article 选取所有article元素的所有子节点 /article 选取根元素article article/a 选取所有属于article的子元素的a元素 //div 选取所有div子元素(不论出现在文档的任何地方) article//div 选取所有属于article元素的后代的div元素,不管它出现在article之下的任何位置 //@class 选取所有名为class的属性 xpath语法-谓语
表达式 说明 /article/div[1] 选取属于article子元素的第一个div元素 /article/div[last()] 选取属于article子元素的最后一个div元素 /article/div[last()-1] 选取属于article子元素的倒数第二个div元素 //div[@lang] 选取所有拥有lang属性的div元素 //div[@lang=‘eng’] 选取所有lang属性为eng的div元素 xpath其他语法
表达式 说明 /div/* 选取属于div元素的所有子节点 //* 选取所有元素 //div[@*] 选取所有带属性的div元素 //div/a | //div/p 选取所有div元素的a和p元素 //span | //ul 选取文档中的span和ul元素 article/div/p | //span 选取所有属于article元素和div元素的p元素 以及文档中所有span元素 - 如果想通过属性取值则需要给定标签元素的内容,如果是任意标签则给定*
- 如果通过
@class="class类"
取值,则只会匹配class只有指定的元素;如果想指定包含指定class的元素则需要使用函数contains(@class,"class类")
xpath使用
[注意]:页面上的查看源码跟检查控制台的element不一定一样,源码是源代码的html文件,检查控制台的element会有js动态生成的dom
jobbole.py
# -*- coding: utf-8 -*- import scrapyclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/114610/'] #放入想爬取的所有urldef parse(self, response):#/html/body/div[3]/div[3]/div[1]/div[1]#//*[@id="post-114610"]/div[1]/h1#scrapy返回的是一个selector而不是node,是为了方便进一步获取selector下面的selectorre_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1')re2_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1/text()') #利用text()函数获取元素中的值pass
如果每一次调试都运行python脚本发送http请求获取内容效率低,可以通过
scrapy shell url路径
的方式通过shell进行调试#以下是在命令行输入 scrapy shell http://blog.jobbole.com/114610/ re_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1') re_selector.extract()#提取selector的内容['<h1>微软变了!招程序员的流程完全改了</h1>'] re_selector.extract()[0]#获得列表中的第一个元素 '<h1>微软变了!招程序员的流程完全改了</h1>' #如果提取的字符串左右有回车符换行符等等,则需要使用strip()将其去掉 #re_selector.extract()[0].strip()
使用xpath爬取伯乐在线网站内容[jobbole.py]
# -*- coding: utf-8 -*- import scrapy import reclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/114610/'] #放入想爬取的所有urldef parse(self, response):# 获取文章titletitle = response.xpath('//*[@id="post-114610"]/div[1]/h1/text()')# 获取文章创建时间create_date = response.xpath('//*[@id="post-114610"]/div[2]/p/text()').extract()[0].strip().replace("·","").strip()# 通过contains函数选择class中包含vote-post-up的元素,获得点赞数praise = response.xpath('//*[contains(@class,"vote-post-up")]/h10/text()').extract()[0]# 收藏数,获取的是字符串,需要使用正则表达式取出collect = response.xpath('//*[contains(@class,"bookmark-btn")]/text()').extract()[0]match_re = re.match(".*?(\d+).*",collect)if match_re:collect = match_re.group(1)else:collect = 0# 评论数comment = response.xpath('//a[@href="#article-comment"]/span/text()').extract()[0]match_re = re.match(".*?(\d+).*", comment)if match_re:comment = match_re.group(1)else:comment = 0# 文章内容content = response.xpath('//div[@class="entry"]').extract()[0]# 文章标签tag = response.xpath('//*[@id="post-114610"]/div[2]/p/a/text()').extract()# 利用列表生成式过滤携带评论的文章标签tag = [element for element in tag if not element.strip().endswith("评论")]# 利用join方式将列表拼成一个字符串tags = ",".join(tag)pass
三.css选择器编写爬虫代码
1.css选择器语法
表达式 | 说明 |
---|---|
* | 选择所有节点 |
#container | 选择id为container的节点 |
.container | 选取所有class包含container的节点 |
li a | 选取所有li下的所有a节点 |
ul + p | 选择ul后面的第一个p元素 |
div#container>ul | 选取id为container的第一个ul子元素 |
ul ~ p | 选取与ul相邻的所有p元素 |
a[title] | 选取所有有title属性的a元素 |
a[href=“http://jobbole.com”] | 选取所有href属性为jobbole.com值的a元素 |
a[href*=“jobble”] | 选取所有href属性包含jobbole的a元素 |
a[href^=“http”] | 选取所有href属性以http开头的a元素 |
a[href$=".jpg"] | 选取所有href属性以jpg结尾的a元素 |
input[type=radio]:checked | 选择选中的radio元素 |
div:not(#container) | 选取所有id非container的div属性 |
li:nth-child(3) | 选取第三个li元素 |
tr:nth-child(2n) | 第偶数个tr |
::text | 利用伪类选择器获得选中的元素的内容 |
2.利用css选择器提取值
使用
response.css("选择器内容")
通过css选择器获得内容利用css选择器提取伯乐在线平台内容[jobbole.py]
# -*- coding: utf-8 -*- import scrapy import reclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/114610/'] #放入想爬取的所有urldef parse(self, response):######################## 利用css选择器获取内容######################title = response.css(".entry-header h1::text").extract()[0]create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip()# 点赞数praise_nums = response.css(".vote-post-up h10::text").extract()[0]# 收藏数collect = response.css('span.bookmark-btn::text').extract()[0]match_re = re.match(".*?(\d+).*", collect)if match_re:collect = match_re.group(1)# 评论数comment = response.css('a[href="#article-comment"] span::text').extract()[0]match_re = re.match(".*?(\d+).*", comment)if match_re:comment = match_re.group(1)# 获得文章内容content = response.css("div.entry").extract()[0]# 获得标签tags = response.css("p.entry-meta-hide-on-mobile a::text").extract()tag = [element for element in tags if not element.strip().endswith("评论")]tags = ",".join(tag)pass
如果想使用extract将selector变成list后取得第一个除了使用
extract()[0]
之后还可以使用extract_first()
,如果获取的是空的话,使用extract()[0]
会报错,而extract_first()
不会报错,还可以在参数设定默认值,如果没有值则返回对应的内容
四.真实爬取数据
1.获取文章列表页中的文章url并交给scrapy下载后并进行解析
2.获取下一页url并交给scrapy进行下载,下载完成后交给parse
实例代码[jobbole.py]
# -*- coding: utf-8 -*- import scrapy import re from scrapy.http import Request from urllib import parseclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/all-posts/'] #放入想爬取的所有urldef parse(self, response):"""1.获取文章列表页中的文章url并交给scrapy下载后并进行解析2.获取下一页url并交给scrapy进行下载,下载完成后交给parse:param response::return:"""#解析列表页的所有文章url并交给scrapy下载后进行解析#利用::attr()伪类选择器获得对应元素的属性值post_urls = response.css("#archive .floated-thumb .post-thumb a::attr(href)").extract()for post_url in post_urls:#利用Request方法提交请求获取对应url内容#url表示访问的url(parse.urljoin是借助urllib将当前url与请求url进行拼接,从而获取到真实的url),callback表示回调的函数yield Request(url=parse.urljoin(response.url,post_url),callback=self.parse_detail)#提交下一页并交给scrapy进行下载#两个类之间有空格则表示子元素,两个类中间没空格则表示同时满足两个类的元素next_url = response.css(".next.page-numbers::attr(href)").extract_first("")if next_url:yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)#提取文章的具体字段def parse_detail(self,response):######################## 利用css选择器获取内容######################title = response.css(".entry-header h1::text").extract()[0]print(title)create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip()# 点赞数praise_nums = response.css(".vote-post-up h10::text").extract()[0]# 收藏数collect = response.css('span.bookmark-btn::text').extract()[0]match_re = re.match(".*?(\d+).*", collect)if match_re:collect = match_re.group(1)else:collect = 0# 评论数comment = response.css('a[href="#article-comment"] span::text').extract()[0]match_re = re.match(".*?(\d+).*", comment)if match_re:comment = match_re.group(1)else:comment = 0# 获得文章内容content = response.css("div.entry").extract()[0]# 获得标签tags = response.css("p.entry-meta-hide-on-mobile a::text").extract()tag = [element for element in tags if not element.strip().endswith("评论")]tags = ",".join(tag)
开发流程
- 利用Request函数执行访问指定url并通过callback回调函数处理进入url后的操作
- 利用parse.urljoin自动将对应url添加域名,参数1是域名,参数2是url
- 利用yield实现异步请求
- 利用
::attr()
伪类选择器获取对应属性的值
五.数据存储
数据爬取的目的在于将非结构的数据源提取成结构型的数据
如果想使用Request函数向callback函数中传递内容,则需要使用meta参数
1.使用meta向Request函数的callback中传递内容
需求说明:在列表页获取图片url连接传递到parse_detail函数进行解析
实现思路
- 获取时需要将之前直接获取a下的href变成先获取node节点,之后获得a下的img的src,再获取a的href,在使用Request函数中添加meta参数内容放上img_url传递给callback函数中的response
- 在response中获取之前存入的img_url,使用
response.meta.get("front_image_url","")
实例代码
# -*- coding: utf-8 -*- import scrapy import re from scrapy.http import Request from urllib import parseclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/all-posts/'] #放入想爬取的所有urldef parse(self, response):"""1.获取文章列表页中的文章url并交给scrapy下载后并进行解析2.获取下一页url并交给scrapy进行下载,下载完成后交给parse:param response::return:"""#解析列表页的所有文章url并交给scrapy下载后进行解析#利用::attr()伪类选择器获得对应元素的属性值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("") #获得图片的srcpost_url = post_node.css("::attr(href)").extract_first("") #获得连接的href#利用Request方法提交请求获取对应url内容#url表示访问的url(parse.urljoin是借助urllib将当前url与请求url进行拼接,从而获取到真实的url),callback表示回调的函数yield Request(url=parse.urljoin(response.url,post_url),meta={"front_image_url":image_url},callback=self.parse_detail)#提交下一页并交给scrapy进行下载#两个类之间有空格则表示子元素,两个类中间没空格则表示同时满足两个类的元素next_url = response.css(".next.page-numbers::attr(href)").extract_first("")if next_url:yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)#提取文章的具体字段def parse_detail(self,response):######################## 利用css选择器获取内容####################### 获得meta中的front_image_url,文章封面图front_image_url = response.meta.get("front_image_url","")# 获得title title = response.css(".entry-header h1::text").extract()[0]print(title)create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip()# 点赞数praise_nums = response.css(".vote-post-up h10::text").extract()[0]# 收藏数collect = response.css('span.bookmark-btn::text').extract()[0]match_re = re.match(".*?(\d+).*", collect)if match_re:collect = match_re.group(1)else:collect = 0# 评论数comment = response.css('a[href="#article-comment"] span::text').extract()[0]match_re = re.match(".*?(\d+).*", comment)if match_re:comment = match_re.group(1)else:comment = 0# 获得文章内容content = response.css("div.entry").extract()[0]# 获得标签tags = response.css("p.entry-meta-hide-on-mobile a::text").extract()tag = [element for element in tags if not element.strip().endswith("评论")]tags = ",".join(tag)
2.item
相当于定义model
在items.py文件中定义item
class JobBoleArticleItem(scrapy.Item):title = scrapy.Field() #scrapy可以使用Field表示任意类型create_date = scrapy.Field()url = scrapy.Field()url_object_id = scrapy.Field() #对url进行编码front_image_url = scrapy.Field()front_image_path = scrapy.Field()praise_nums = scrapy.Field()comment_nums = scrapy.Field()fav_nums = scrapy.Field()tags = scrapy.Field()content = scrapy.Field()
在jobbole.py文件中定义爬虫返回内容放到item中
# -*- coding: utf-8 -*- import scrapy import re from scrapy.http import Request from urllib import parse#引入item from ArticleSpider.items import JobBoleArticleItemclass JobboleSpider(scrapy.Spider):name = 'jobbole'allowed_domains = ['blog.jobbole.com']start_urls = ['http://blog.jobbole.com/all-posts/'] #放入想爬取的所有urldef parse(self, response):"""1.获取文章列表页中的文章url并交给scrapy下载后并进行解析2.获取下一页url并交给scrapy进行下载,下载完成后交给parse:param response::return:"""#解析列表页的所有文章url并交给scrapy下载后进行解析#利用::attr()伪类选择器获得对应元素的属性值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("") #获得图片的srcpost_url = post_node.css("::attr(href)").extract_first("") #获得连接的href#利用Request方法提交请求获取对应url内容#url表示访问的url(parse.urljoin是借助urllib将当前url与请求url进行拼接,从而获取到真实的url),callback表示回调的函数yield Request(url=parse.urljoin(response.url,post_url),meta={"front_image_url":image_url},callback=self.parse_detail)#提交下一页并交给scrapy进行下载#两个类之间有空格则表示子元素,两个类中间没空格则表示同时满足两个类的元素next_url = response.css(".next.page-numbers::attr(href)").extract_first("")if next_url:yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)#提取文章的具体字段def parse_detail(self,response):######################## 利用css选择器获取内容####################### 实例化itemarticle_item = JobBoleArticleItem()# 获得meta中的front_image_url,文章封面图front_image_url = response.meta.get("front_image_url","")# 获得titletitle = response.css(".entry-header h1::text").extract()[0]print(title)create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip()# 点赞数praise_nums = response.css(".vote-post-up h10::text").extract()[0]# 收藏数collect = response.css('span.bookmark-btn::text').extract()[0]match_re = re.match(".*?(\d+).*", collect)if match_re:collect = match_re.group(1)else:collect = 0# 评论数comment = response.css('a[href="#article-comment"] span::text').extract()[0]match_re = re.match(".*?(\d+).*", comment)if match_re:comment = match_re.group(1)else:comment = 0# 获得文章内容content = response.css("div.entry").extract()[0]# 获得标签tags = response.css("p.entry-meta-hide-on-mobile a::text").extract()tag = [element for element in tags if not element.strip().endswith("评论")]tags = ",".join(tag)#填充itemarticle_item['title'] = titlearticle_item['title'] = response.urlarticle_item['create_date'] = create_datearticle_item['front_image_url'] = [front_image_url]article_item['praise_nums'] = praise_numsarticle_item['comment_nums'] = commentarticle_item['fav_nums'] = collectarticle_item['tags'] = tagsarticle_item['content'] = contentyield article_item #将item传递到pipeline中
3.pipeline
pipeline主要用于做数据处理
item赋值之后就会传递到pipeline.py中,但需要将settings中的
ITEM_PIPELINES = {'ArticleSpider.pipelines.ArticlespiderPipeline': 300, }
取消注释
在settings中设置下载图片的pipeline(scrapy已经给提供了,在site-package->scrapy->pipelines->images.py->ImagesPipeline),添加到配置的ITEM_PIPELINES中(为item流经的管道,后面的数字表示处理顺序,数字越小就越早进入pipeline)
#先进入ImagePipeline再进入ArticleSpiderPipeline ITEM_PIPELINES = {'ArticleSpider.pipelines.ArticlespiderPipeline': 300,'scrapy.pipelines.images.ImagesPipeline': 1, }
ImagePipeline主要用于存储图片,需要在setting中配置下载传递item中的哪个字段,想保存图片还需要安装PIL库
pip install pillow
import os #先进入ImagePipeline再进入ArticleSpiderPipeline ITEM_PIPELINES = {'ArticleSpider.pipelines.ArticlespiderPipeline': 300,'scrapy.pipelines.images.ImagesPipeline': 1, } #配置下载的是哪些字段,将指定的字段视作一个数组,故item中图片url应为数组格式 IMAGES_URLS_FIELD = "front_image_url" #设置图片保存路径[先创建一个images文件夹] project_dir = os.path.abspath(os.path.dirname(__file__)) #获得当前文件夹的绝对路径 IMAGES_STORE = os.path.join(project_dir,"images")
此时执行main.py会发现在images文件夹下会存储对应的网络图片
自定义存储图片pipeline
配置setting.py,设置过滤掉的图片(表示必须大于100*100)
ITEM_PIPELINES = {'ArticleSpider.pipelines.ArticlespiderPipeline': 300,'scrapy.pipelines.images.ImagesPipeline': 1, }IMAGES_URLS_FIELD = "front_image_url" project_dir = os.path.abspath(os.path.dirname(__file__)) IMAGES_STORE = os.path.join(project_dir,"images") # 表示下载的图片必须要是大于100*100的 #IMAGES_MIN_HEIGHT = 100 #在ImagesPipeline中使用到了此变量 #IMAGES_MIN_WIDTH = 100 #在ImagesPipeline中使用到了此变量
ImagesPipeline中的item_completed函数中可以获取到图片的实际下载地址(需要重载)
pipelines.py实例代码
# -*- 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 from scrapy.pipelines.images import ImagesPipelineclass ArticlespiderPipeline(object):def process_item(self, item, spider):return item# 继承ImagePipeline class ArticleImagePipeline(ImagesPipeline):def item_completed(self, results, item, info):# result中包含一个tuple,一个是状态值,一个是返回对象for ok,value in results:image_file_path = value["path"]item["front_image_path"] = image_file_pathreturn item
自定义存储json的pipeline
setting.py配置调用pipeline
ITEM_PIPELINES = {'ArticleSpider.pipelines.ArticlespiderPipeline': 300,'ArticleSpider.pipelines.JsonWithEncodingPipeline': 2, #添加存储到json文件的pipeline'ArticleSpider.pipelines.ArticleImagePipeline': 1,# 'scrapy.pipelines.images.ImagesPipeline': 1, }
pipelines.py配置存储json的pipeline
class JsonWithEncodingPipeline(object):def __init__(self):# 利用codecs方式打开文件,与open函数不同在于编码,可以省去很多编码方面的繁杂工作self.file = codecs.open("article.json","w",encoding="utf-8")def process_item(self, item, spider):#利用json.dumps函数将item存储成jsonlines = json.dumps(dict(item),ensure_ascii=False) + "\n"#写入json文件中self.file.write(lines)#process_item函数一定要返回item,因为下一个pipeline还会使用此itemreturn item#在spider close的时候关闭filedef spider_closed(self,spider):self.file.close()
- 首先利用codecs.open打开文件
- 使用write方法将转换的json写入
- 使用file的close方法关闭文件写入
scrapy提供了方便的exporters机制,帮助我们很方便的将item导出成各种类型的文件[前提是setting.py中调用此pipeline,此处省略去写]
# 利用json exporter class JsonExporterPipeline(object):#调用scrapy提供的json exporter导出json文件def __init__(self):self.file = open('articleexporter.json','wb') # 二进制方式打开self.exporter = JsonItemExporter(self.file,encoding = "utf-8",ensure_ascii=False)self.exporter.start_exporting()def process_item(self, item, spider):self.exporter.export_item(item)return itemdef close_spider(self,spider):self.exporter.finish_exporting()self.file.close()
- 使用open方法打开文件并创建exporter
- 执行exporter的start_exporting方法开启exporter
- 执行exporter的export_item方法将item写入exporter
- 执行exporter的finish_exporting方法结束export
- 关闭文件
4.使用MySQL存储数据
修改jobbole.py中的create_date为date类型(便于存储到mysql中的date类型)
创建sql表
安装mysql驱动
pip install mysqlclient
定义数据存储pipeline,直接将item存储到mysql中
class MysqlPipeline(object):def __init__(self):#连接mysqldb,创建连接self.conn = MySQLdb.connect('127.0.0.1','root','123456','scrapy',charset="utf8",use_unicode=True)#创建cursorself.cursor = self.conn.cursor()def process_item(self, item, spider):insert_sql = """insert into jobbole_article(title,create_date,url,url_object_id,front_image_url,front_image_path,comment_nums,fav_nums,praise_nums,tags,content)VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"""self.cursor.execute(insert_sql,(item["title"],item["create_date"],item["url"],item["url_object_id"],item["front_image_url"],item["front_image_path"],item["comment_nums"],item["fav_nums"],item["praise_nums"],item["tags"],item["content"]))self.conn.commit()
上述方法(execute和commit操作是同步操作)在后期爬取加解析会快于数据存储到mysql,会导致阻塞。使用twisted框架提供的api可以完成数据的异步写入。
在setting.py中配置相关数据信息
MYSQL_HOST = "127.0.0.1" MYSQL_DBNAME = "scrapy" MYSQL_USER = "root" MYSQL_PASSWORD = "123456"
使用twisted框架实现异步的数据写入
#异步mysql插入 class MysqlTwistedPipeline(object):#setting中包含setting.py中的内容@classmethoddef 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.DictQursor,use_unicode = True)#创建连接池,参数1使用的dbapi的name,dbpool = adbapi.ConnectionPool("MySQLdb",**dbparms)return cls(dbpool)def __init__(self,dbpool):self.dbpool = dbpooldef process_item(self, item, spider):#使用twisted将mysql插入变成异步执行,参数1表示要异步执行的函数,参数2表示执行的itemquery= self.dbpool.runInteraction(self.do_insert,item)query.addErrback(self.handle_error)#处理异常def do_insert(self,cursor,item):#执行具体的插入insert_sql = """insert into jobbole_article(title,create_date,url,url_object_id,front_image_url,front_image_path,comment_nums,fav_nums,praise_nums,tags,content)VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"""cursor.execute(insert_sql, (item["title"], item["create_date"], item["url"], item["url_object_id"], item["front_image_url"],item["front_image_path"], item["comment_nums"], item["fav_nums"], item["praise_nums"], item["tags"],item["content"]))#不需要commit,会自动进行commitdef handle_error(self,failure):#处理异步插入的异常print(failure)
未完待续…
Python爬虫爬取伯乐在线网站信息相关推荐
- Python爬虫爬取伯乐在线
一.环境搭建 1.创建环境 执行pip install scrapy安装scrapy 使用scrapy startproject ArticleSpider创建scrapy项目 使用pycharm导入 ...
- python爬虫爬取ip记录网站信息并存入数据库
1 import requests 2 import re 3 import pymysql 4 #10页 仔细观察路由 5 db = pymysql.connect("localhost& ...
- 详细实例:用python爬虫爬取幽默笑话网站!(建议收藏)
前言: 今天为大家带来的内容是详细实例:用python爬虫爬取幽默笑话网站!(建议收藏),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下! 爬取网站为 ...
- python 爬虫 爬取高考录取分数线 信息
原文链接: python 爬虫 爬取高考录取分数线 信息 上一篇: axios 原生上传xlsx文件 下一篇: pandas 表格 数据补全空值 网页 https://gkcx.eol.cn/scho ...
- 利用Python爬虫爬取斗鱼直播间信息,以及直播的实际人数!
首先我准备利用mysql来存储我爬取的信息,建一个host表如下: 然后下载pymysql ,利用它与数据库链接,因为在这里我只涉及到写入的操作: Unit_Mtsql 然后就是使用Beautiful ...
- python爬虫爬取58同城租房信息(使用动态IP)输出Excel文件
python爬虫爬取58同城信息(使用动态IP) 新手,为了做一个数据分析,搞了几天,终于搞出来了,大家可以给点意见啊. # coding=utf-8 import sys import csv im ...
- Python爬虫爬取知乎用户信息+寻找潜在客户
[Python应用]寻找社交网络中的目标用户 日后的更新:由于是很久以前的课程设计项目,完整的源码已经不见了,关键的网页数据获取和解析的部分代码我在文章中已经贴出来了,但写的也不够好,如果想参考爬取知 ...
- python爬虫——爬取起点中文网作品信息
首先打开起点中文网 点开红圈内的全部作品选项,本博客爬取这里面的作品信息. 接下来爬取所有作品信息,注意,不仅仅只是该面的所有作品信息,而是全部作品信息. 网页下面有跳转其他页的选项. 我们需要找到网 ...
- python 爬虫 爬取当当网图书信息
初次系统的学习python,在学习完基本语法后,对爬虫进行学习,现在对当当网进行爬取,爬取了基本图书信息,包括图书名.作者等 import requests from time import slee ...
最新文章
- Spring MVC:测试简介
- 关于arp.exe的一点应用
- 今晚直播:WLS/WAS故障基本分析介绍
- 关于”误人子弟!垃圾培训该当何罪“一文
- win10执行npm出现Error: EBUSY: resource busy or locked 错误解决方法
- 接口 同花顺_Fiddler模拟接口数据(mock)
- 模块讲解----XML模块
- 空调基础知识培训课件
- 广州地铁公厕(洗手间)和母婴室信息汇总
- (2021系统架构设计师)个人对于软考的一些总结
- 和老外聊天、发邮件常用英语缩写。
- 第二十三天 小丁再战链表
- nginx证书绑定及二级域名反向代理
- 2DPCA、(2D)2PCA公式推导
- 拆书帮便签读书法,重新定义高效阅读
- RFID打印机和条码打印机的4大区别
- caffe入门学习:caffe.Classifier的使用
- matlab多重积分编程,多重积分的MATLAB实现.pdf
- python中字母大小顺序_Python中的字母顺序
- 李宏毅机器学习2022 HW1
热门文章
- `Computer-Algorithm` 算法术语,自定义算法术语
- 做金融直播,这几个问题一定要知道
- 东财《人际沟通与交往艺术》综合作业
- 新视智科多项技术创新层层把关锂电池质检提升产品质量
- 迅雷Q2季报图解:净利70万美元 环比下降91%
- golang testing简介
- 手机sim卡被格式化了数据怎么找回来
- godaddy域名修改解析服务器,GoDaddy域名解析设置(详细图解教程) URL转发
- 使用纯css完成行星图并且封装成组件
- Flowable Unknown property used in expression: xxx