Python 爬虫保存数据的几个常用方法

阅读本文大约需要 10 分钟

目录

• 前言
• Items
• Pipelines
• 瞎比比

前言

OK，通过签名两篇文章《爬虫利器初体验（1）》《听说你的爬虫又被封了？（2）》，我们初体验也过了，爬虫代码健壮性也升级为 PLUS 了。都分析到这个地步了，是不是感觉还少了点什么？对，我们还没保存数据呀？不保存，这不是瞎忙活吗？

Items

item 是我们保存数据的容器，其类似于 python 中的字典。使用 item 的好处在于： Item 提供了额外保护机制来避免拼写错误导致的未定义字段错误。且看栗子：

import scrapy class Doubantop250Item(scrapy.Item): title = scrapy.Field() # 电影名字 star = scrapy.Field() # 电影评分 quote = scrapy.Field() # 脍炙人口的一句话 movieInfo = scrapy.Field() # 电影的描述信息，包括导演、主演、电影类型 

Pipelines

pipelines.py 一般我们用于保存数据，其方法的一些介绍如下图。下面，我会分多种方式来保存我们的数据，避免你耍流氓。

保存到 Json

import json class JsonPipeline(object): file_name = base_dir + '/doubanTop250/data.json' # json 文件路径 def process_item(self, item, spider): file = open(self.file_name, 'r', encoding='utf-8') load_data = json.load(file) load_data.append({"title": item["title"].strip()}) # 追加数据 file = open(self.file_name, 'w', encoding='utf-8') json.dump(load_data, file, ensure_ascii=False) # 保存数据 file.close() return item 

保存到 CSV

 def appendDta2Csv(self, file_name, new_headers, new_data): with open(file_name,'r') as f: f_csv = csv.reader(f) try:# 如何有源文件没有 headers ，将调用传进来的 headers headers = next(f_csv) except: headers = new_headers old_data = list(f_csv) old_data.append(new_data) # 追加新的数据 with open(file_name, 'w') as f2:# 保存数据 f_csv = csv.writer(f2) f_csv.writerow(headers) f_csv.writerows(old_data) f2.close() f.close() def process_item(self, item, spider): self.appendDta2Csv(self.file_name, ["title"], [item["title"].strip()]) return item 

保存到 MongoDB

from pymongo import MongoClient import os base_dir = os.getcwd() class MongoPipeline(object): # 实现保存到mongo数据库的类， collection = 'douban' # mongo 数据库的 collection 名字 def __init__(self, mongo_uri, db_name, db_user, db_pass): self.mongo_uri = mongo_uri self.db_name = db_name self.db_user = db_user self.db_pass = db_pass @classmethod def from_crawler(cls, crawler): # scrapy 为我们访问settings提供了这样的一个方法，这里， # 我们需要从 settings.py 文件中，取得数据库的URI和数据库名称 return cls( mongo_uri=crawler.settings.get('MONGO_URI'), db_name=crawler.settings.get('DB_NAME'), db_user=crawler.settings.get('DB_USER'), db_pass=crawler.settings.get('DB_PASS')) def open_spider(self, spider): # 爬虫启动时调用，连接到数据库 self.client = MongoClient(self.mongo_uri) self.zfdb = self.client[self.db_name] self.zfdb.authenticate(self.db_user, self.db_pass) def close_spider(self, spider): # 爬虫关闭时调用，关闭数据库连接 self.client.close() def process_item(self, item, spider): self.zfdb[self.collection].insert({"title": item["title"].strip()}) return item 

保存到 MySQL

from sqlalchemy import create_engine, Column, Integer, String, BIGINT, ForeignKey, UniqueConstraint, Index, and_, \ or_, inspect from sqlalchemy.orm import sessionmaker, relationship, contains_eager class MysqlPipeline(object): MYSQL_URI = 'mysql+pymysql://username:password@localhost:3306/db_name' # echo 为 True 将会输出 SQL 原生语句 engine = create_engine(MYSQL_URI, echo=True) from sqlalchemy.ext.declarative import declarative_base Base = declarative_base() # 创建单表 class Movie(Base): __tablename__ = 'movies' id = Column(BIGINT, primary_key=True, autoincrement=True) title = Column(String(200)) # 初始化数据库 def init_db(self): self.Base.metadata.create_all(self.engine) # 删除数据库 def drop_db(self): self.Base.metadata.drop_all(self.engine) def open_spider(self, spider): # 爬虫启动时调用，连接到数据库 self.init_db() Session = sessionmaker(bind=self.engine) self.session = Session() def process_item(self, item, spider): new_movie = self.Movie(title=item["title"].strip()) self.session.add(new_movie) self.session.commit() return item 

在写好相关的 pipeline 之后，需要在 settings.py 中启用相关的 pipeline，后面的数字为调用的优先级，数字是0-1000,你可以自定义。你可以所有格式都保存，也可以注释掉其他，值保留一个。

ITEM_PIPELINES = { 'doubanTop250.pipelines.MongoPipeline': 300, 'doubanTop250.pipelines.MysqlPipeline': 301, 'doubanTop250.pipelines.CsvPipeline': 302, 'doubanTop250.pipelines.JsonPipeline': 303, } 

瞎比比

数据保存就说到这里了，后台回复【scrapy初体验】获取源码，为什么获取源码的关键词都一样呢？因为每推一篇文章，代码都会升级。那么，请期待后面的代码吧，哈哈。