python實戰(zhàn)項目scrapy管道學習爬取在行高手數(shù)據(jù)
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)。
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。
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。
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
爬取結(jié)果展示
以上就是python實戰(zhàn)項目scrapy管道學習爬取在行高手數(shù)據(jù)的詳細內(nèi)容，更多關(guān)于python scrapy管道學習爬取在行的資料請關(guān)注本站其它相關(guān)文章！
版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信