目的
写一个真正意义上一个爬虫,并将他爬取到的数据分别保存到txt、json、已经存在的mysql数据库中。
PS注意:很多人学Python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新Python实战教程免非下,,一起相互监督共同进步!
目标分析:
这次我们要爬的是 中国天气网:http://www.weather.com.cn/
随便点开一个城市的天气比如合肥: http://www.weather.com.cn/weather/101220101.shtml
我们要爬取的就是图中的:合肥七天的前期预报:
数据的筛选:
我们使用chrome开发者工具,模拟鼠标定位到相对应位置:
可以看到我们需要的数据,全都包裹在
<ul class="t clearfix">
里
我们用bs4、xpath、css之类的选择器定位到这里,再筛选数据就行。
本着学习新知识的原则,文中的代码将会使用xpath定位。
这里我们可以这样:
response.xpath('//ul[@class="t clearfix"]')
Scrapy 框架的实施:
-
创建scrapy项目和爬虫:
$ scrapy startproject weather $ cd weather $ scrapy genspider HFtianqi www.weather.com.cn/weather/101220101.shtml
这样我们就已经将准备工作做完了。
看一下当前的目录:. ├── scrapy.cfg └── weather ├── __init__.py ├── __pycache__ │ ├── __init__.cpython-36.pyc │ └── settings.cpython-36.pyc ├── items.py ├── middlewares.py ├── pipelines.py ├── settings.py └── spiders ├── HFtianqi.py ├── __init__.py └── __pycache__ └── __init__.cpython-36.pyc 4 directories, 11 files
-
编写items.py:
这次我们来先编写items,十分的简单,只需要将希望获取的字段名填写进去:
import scrapy class WeatherItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() date = scrapy.Field() temperature = scrapy.Field() weather = scrapy.Field() wind = scrapy.Field()
-
编写Spider:
这个部分使我们整个爬虫的核心!!
主要目的是:
将Downloader发给我们的Response里筛选数据,并返回给PIPELINE处理
下面我们来看一下代码:
# -*- coding: utf-8 -*- import scrapy from weather.items import WeatherItem class HftianqiSpider(scrapy.Spider): name = 'HFtianqi' allowed_domains = ['www.weather.com.cn/weather/101220101.shtml'] start_urls = ['http://www.weather.com.cn/weather/101220101.shtml'] def parse(self, response): ''' 筛选信息的函数: date = 日期 temperature = 当天的温度 weather = 当天的天气 wind = 当天的风向 ''' # 先建立一个列表,用来保存每天的信息 items = [] # 找到包裹着天气信息的div day = response.xpath('//ul[@class="t clearfix"]') # 循环筛选出每天的信息: for i in list(range(7)): # 先申请一个weatheritem 的类型来保存结果 item = WeatherItem() # 观察网页,并找到需要的数据 item['date'] = day.xpath('./li['+ str(i+1) + ']/h1//text()').extract()[0] item['temperature'] = day.xpath('./li['+ str(i+1) + ']/p[@class="tem"]/i/text()').extract()[0] item['weather'] = day.xpath('./li['+ str(i+1) + ']/p[@class="wea"]/text()').extract()[0] item['wind'] = day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/em/span/@title').extract()[0] + day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/i/text()').extract()[0] items.append(item) return items
-
编写PIPELINE:
我们知道,pipelines.py是用来处理收尾爬虫抓到的数据的,
一般情况下,我们会将数据存到本地:- 文本形式: 最基本的存储方式
- json格式 :方便调用
- 数据库: 数据量比较大时选择的存储方式
TXT(文本)格式:
import os import requests import json import codecs import pymysql class WeatherPipeline(object): def process_item(self, item, spider): print(item) # print(item) # 获取当前工作目录 base_dir = os.getcwd() # 文件存在data目录下的weather.txt文件内,data目录和txt文件需要自己事先建立好 filename = base_dir + '/data/weather.txt' # 从内存以追加的方式打开文件,并写入对应的数据 with open(filename, 'a') as f: f.write(item['date'] + ' ') f.write(item['temperature'] + ' ') f.write(item['weather'] + ' ') f.write(item['wind'] + ' ') return item
json格式数据:
我们想要输出json格式的数据,最方便的是在PIPELINE里自定义一个class:
class W2json(object): def process_item(self, item, spider): ''' 讲爬取的信息保存到json 方便其他程序员调用 ''' base_dir = os.getcwd() filename = base_dir + '/data/weather.json' # 打开json文件,向里面以dumps的方式吸入数据 # 注意需要有一个参数ensure_ascii=False ,不然数据会直接为utf编码的方式存入比如:“/xe15” with codecs.open(filename, 'a') as f: line = json.dumps(dict(item), ensure_ascii=False) + ' ' f.write(line) return item
数据库格式(mysql):
Python对市面上各种各样的数据库的操作都有良好的支持,
但是现在一般比较常用的免费数据库mysql。-
在本地安装mysql:
linux和mac都有很强大的包管理软件,如apt,brew等等
window 可以直接去官网下载安装包。
由于我是Mac,所以我是说Mac的安装方式了。
$ brew install mysql
在安装的过程中,他会要求你填写root用户的密码,
这里的root并不是系统层面上的超级用户,是mysql数据库的超级用户。
安装完成后mysql服务是默认启动的,
如果重启了电脑,需要这样启动(mac):$ mysql.server start
-
登录mysql并创建scrapy用的数据库:
# 登录进mysql $ mysql -uroot -p # 创建数据库:ScrapyDB ,以utf8位编码格式,每条语句以’;‘结尾 CREATE DATABASE ScrapyDB CHARACTER SET 'utf8'; # 选中刚才创建的表: use ScrapyDB; # 创建我们需要的字段:字段要和我们代码里一一对应,方便我们一会写sql语句 CREATE TABLE weather( id INT AUTO_INCREMENT, date char(24), temperature char(24), weather char(24), wind char(24), PRIMARY KEY(id) )ENGINE=InnoDB DEFAULT CHARSET='utf8'
来看一下weather表长啥样:
show columns from weather 或者:desc weather
-
安装Python的mysql模块:
pip install pymysql
最后我们编辑与一下代码:
class W2mysql(object): def process_item(self, item, spider): ''' 将爬取的信息保存到mysql ''' # 将item里的数据拿出来 date = item['date'] temperature = item['temperature'] weather = item['weather'] wind = item['wind'] # 和本地的scrapyDB数据库建立连接 connection = pymysql.connect( host='127.0.0.1', # 连接的是本地数据库 user='root', # 自己的mysql用户名 passwd='********', # 自己的密码 db='ScrapyDB', # 数据库的名字 charset='utf8mb4', # 默认的编码方式: cursorclass=pymysql.cursors.DictCursor) try: with connection.cursor() as cursor: # 创建更新值的sql语句 sql = """INSERT INTO WEATHER(date,temperature,weather,wind) VALUES (%s, %s, %s, %s)""" # 执行sql语句 # excute 的第二个参数可以将sql缺省语句补全,一般以元组的格式 cursor.execute( sql, (date, temperature, weather, wind)) # 提交本次插入的记录 connection.commit() finally: # 关闭连接 connection.close() return item
-
编写Settings.py
我们需要在Settings.py将我们写好的PIPELINE添加进去,
scrapy才能够跑起来这里只需要增加一个dict格式的ITEM_PIPELINES,
数字value可以自定义,数字越小的优先处理BOT_NAME = 'weather' SPIDER_MODULES = ['weather.spiders'] NEWSPIDER_MODULE = 'weather.spiders' ROBOTSTXT_OBEY = True ITEM_PIPELINES = { 'weather.pipelines.WeatherPipeline': 300, 'weather.pipelines.W2json': 400, 'weather.pipelines.W2mysql': 300, }
-
让项目跑起来:
$ scrapy crawl HFtianqi
-
结果展示:
文本格式:
json格式:
数据库格式:
这次的例子就到这里了,主要介绍如何通过自定义PIPELINE来将爬取的数据以不同的方式保存。注意:很多人学Python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新Python实战教程免非下,,一起相互监督共同进步!
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。