首页 / MYSQL / 爬取伯乐在线文章（四）将爬取结果保存到MySQL

爬取伯乐在线文章（四）将爬取结果保存到MySQL

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了爬取伯乐在线文章（四）将爬取结果保存到MySQL，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6291字，纯文字阅读大概需要9分钟。

内容图文

JobBoleArticleItem(scrapy.Item): title = scrapy.Field() create_date = scrapy.Field() praise_num = scrapy.Field() collect_num = scrapy.Field() comment_num = scrapy.Field() front_image_url = scrapy.Field()

编写之后在提取文章逻辑里面进行实例化

    def parse_detail(self,response):
        print("目前爬取的URL是："+response.url)
        #提取文章的具体逻辑
        article_item = JobBoleArticleItem()
        front_image_url = response.meta.get("front_image_url", "")
        #  获取文章标题
        title = response.css(‘.entry-header h1::text‘).extract()[0]
        #  获取发布日期
        create_date = response.css(‘.entry-meta .entry-meta-hide-on-mobile::text‘).extract()[0].strip().replace("·", "")
        #  获取点赞数
        praise_num = response.css(‘.vote-post-up h10::text‘).extract()[0]
        #  获取收藏数
        collect_num = response.css(‘.post-adds .bookmark-btn::text‘).extract()[0].split(" ")[1]
        collect_match_re = re.match(r‘.*?(\d+).*‘, collect_num)
        if collect_match_re:
            collect_num = int(collect_match_re.group(1))
        else:
            collect_num = 0
        #  获取评论数
        comment_num = response.css(‘.post-adds .hide-on-480::text‘).extract()[0]
        comment_match_re = re.match(r‘.*?(\d+).*‘, comment_num)
        if comment_match_re:
            comment_num = int(comment_match_re.group(1))
        else:
            comment_num = 0

        content = response.css(‘div.entry‘).extract()[0]

        article_item["title"] = title
        article_item["create_date"] =create_date
        article_item["praise_num"] = praise_num
        article_item["collect_num"] = collect_num
        article_item["comment_num"] = comment_num
        article_item["front_image_url"] = front_image_url

        yield article_item

 

最后调用yield article_item之后，article_item会传递到pipelines.py里面

编写pipelines

在pipelines.py文件中模板已经写好，但是如果要使之生效，需要修改settings.py文件，将ITEM_PIPELINES的注释去掉

爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

在pipelines.py里面打断点进行调试，看article_item是否能传递尽来

爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

如何将图片保存到本地

继续修改item，scrapy提供了一些方法，方便快速开发，修改settings.py

ITEM_PIPELINES = {
    ‘EnterpriseSpider.pipelines.EnterprisespiderPipeline‘: 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")

 

 ‘scrapy.pipelines.images.ImagesPipeline‘: 1-------设置scrapy自带的普票保存方法，后面设置数字是流经管道的顺序，数字小的先流经

IMAGES_URLS_FIELD = "front_image_url"------从item中提取图片的URL，前面的IMAGES_URLS_FIELD是固定写法

project_dir = os.path.abspath(os.path.dirname(__file__))：获取当前项目的路径

IMAGES_STORE = os.path.join(project_dir, "images")：设置图片存储的路径

此时运行我们的main看是否能将图片保存

爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

报错，没有PIL这个模块，这个是与图片文件相关的库，我们没有按照，所以报错，在虚拟环境中安装PIL模块

(scrapyenv) E:\Python\Envs>pip install -i https://pypi.douban.com/simple pillow

 爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

安装之后重新运行程序，此时又报另一个错误

爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

这个因为item传递到pipline的时候，下面的front_image_url 会被当做数组处理，但是我们在业务逻辑处理时候只是把他当做一个值进行处理

IMAGES_URLS_FIELD = "front_image_url"

修改业务处理逻辑

        article_item["title"] = title
        article_item["create_date"] =create_date
        article_item["praise_num"] = praise_num
        article_item["collect_num"] = collect_num
        article_item["comment_num"] = comment_num
        article_item["front_image_url"] = [front_image_url]

        yield article_item

修改完之后在运行程序，此时爬取的图片成功保存到images文件夹下面

 

既然图片已经保存到本地了，那么是否可以提取出路径，是否能把item里面的front_image_url与本地路径绑定在一起，此时我们需要定义一个自己pipeline，重载ImagesPipeline 中的item_completed

方法。

 

class ArticleImagePipeline(ImagesPipeline):
    def item_completed(self, results, item, info):
        pass

此时在修改settings.py文件，设置问我们自定义的图片处理pipeline

ITEM_PIPELINES = {
    ‘EnterpriseSpider.pipelines.EnterprisespiderPipeline‘: 300,
   # ‘scrapy.pipelines.images.ImagesPipeline‘: 1,
    ‘EnterpriseSpider.pipelines.ArticleImagePipeline‘: 1,
}

打断点进行调试

爬取伯乐在线文章（四）将爬取结果保存到MySQL - 文章图片

重写item_completed方法

class ArticleImagePipeline(ImagesPipeline):
    def item_completed(self, results, item, info):
        for ok, value in results:
            image_file_path = results["path"]
        item["front_image_url"] = image_file_path
        return item

 

保存到JSON

class JsonWithEncodingPipeline(object):
    def __init__(self):
        self.file = codecs.open(‘article.json‘, ‘w‘, encoding=‘utf-8‘)

    def process_item(self,item,spider):
        lines = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(lines)
        return item

    def spider_closed(self,spider):
        self.file.close()

保存到MySQL

同步保存

class MysqlPipeline(object):
    def __init__(self):
        self.conn = MySQLdb.connect(‘127.0.0.1‘, ‘root‘, ‘123456‘, ‘article‘, charset=‘utf8‘, use_unicode=True)
        self.cursor = self.conn.cursor()

    def process_item(self,item,spider):
        insert_sql = ‘‘‘
        insert into jobbole(title,create_date,front_image_url,praise_num,collect_num,comment_num,url,url_object_id) 
        VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
        ‘‘‘

        self.cursor.execute(insert_sql, (item[‘title‘], item[‘create_date‘], item["front_image_url"],
                                         item["praise_num"], item["collect_num"], item["comment_num"],
                                         item["url"], item["url_object_id"]))
        self.conn.commit()

异步保存

class MysqlTwistedPipeline(object):

    def __init__(self, dbpool):
        self.dbpool = dbpool

    @classmethod
    def from_settings(cls, settings):
        dbparams = dict(
            host=settings[‘MYSQL_HOST‘],
            db=settings[‘MYSQL_DBNAME‘],
            user=settings[‘MYSQL_USER‘],
            password=settings[‘MYSQL_PASSWORD‘],
            charset=‘utf8‘,
            cursorclass=MySQLdb.cursors.DictCursor,
            use_unicode=True,
        )
        dbpool = adbapi.ConnectionPool("MySQLdb", **dbparams)
        return cls(dbpool)

    def process_item(self,item,spider):
        #使用twisted将mysql插入变成异步插入
        query = self.dbpool.runInteraction(self.db_insert, item)
        query.addErrback(self.handler_error, item, spider)

    def handler_error(self,failuer,item,spider):
        #处理异步插入的异常
        print(failuer)

    def db_insert(self,cursor,item):
        insert_sql = ‘‘‘
                    insert into jobbole(title,create_date,front_image_url,praise_num,collect_num,comment_num,url,url_object_id) 
                    VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
                ‘‘‘

        cursor.execute(insert_sql, (item[‘title‘], item[‘create_date‘], item["front_image_url"],
                                         item["praise_num"], item["collect_num"], item["comment_num"],
                                         item["url"], item["url_object_id"]))

 

爬取伯乐在线文章（四）将爬取结果保存到MySQL

标签：action   模板   exec   run   ret   back   去掉   自带   install   

本文系统来源：https://www.cnblogs.com/qingyunzong/p/9930468.html

内容总结

以上是互联网集市为您收集整理的爬取伯乐在线文章（四）将爬取结果保存到MySQL全部内容，希望文章能够帮你解决爬取伯乐在线文章（四）将爬取结果保存到MySQL所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/501931.html

来源：【匿名】