Python爬虫数据写入操作

Python Scrapy爬虫数据写入操作

在我们写完一个爬虫项目，得到了一大堆的数据，为了以后的分析和使用，我们需要把我们得到的数据进行保存。保存数据的方式主要有：保存到数据库，保存到CSV文件，保存为JSON文件。
保存到数据库中分为同步和异步的方式：

一般小的数据，我们可以选择，同步保存数据库：

首先先准备好数据库文件和数据表

操作在pipelines.py文件中完成
将item写入数据库
import MySQLdb
class MysqlPipeine(object):

def __init__(self):
self.conn = MySQLdb.connect(
host = 'localhost',
# mysql默认端口号3306
port = 3306,
user = 'root',
passwd = '123456',
db = 'db_name',
use_unicode = True,
charset = 'utf8'
)
self.cursor = self.conn.cursor()

# 处理item的函数
def process_item(self, item, spider):

# 准备sql语句
sql = 'insert into table_name(字段名)VALUES (字段数据,即item对象)'
self.cursor.execute(sql)
self.conn.commit()

def close_spider(self, spider):
self.cursor.close()
self.conn.close()

如果数据量较大，异步写入数据库会更高效：
同样操作在我们的pipelines文件中，但在操作之前，需要配置我们的setting文件，在其中添加我们的数据
# 自己配置一些项目信息
# 数据库配置
MYSQL_HOST = '127.0.0.1'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWD = '123456'
MYSQL_CHARSET = 'utf8'
MYSQL_DBNAME = 'db_name'
然后在pipelines中进行我们异步写入数据库的操作：

# 将item写入数据库
import MySQLdb
class MysqlPipeine(object):

def __init__(self):
self.conn = MySQLdb.connect(
host = 'localhost',
# mysql默认端口号3306
port = 3306,
user = 'root',
passwd = '123456',
db = 'db_name',
use_unicode = True,
charset = 'utf8'
)
self.cursor = self.conn.cursor()

# 处理item的函数
def process_item(self, item, spider):
# 准备sql语句
sql = 'insert into table_name(字段名)VALUES (字段数据,即item对象)'
self.cursor.execute(sql)
self.conn.commit()

def close_spider(self, spider):
self.cursor.close()
self.conn.close()
如果数据量较大，异步写入数据库会更高效：
同样操作在我们的pipelines文件中，但在操作之前，需要配置我们的setting文件，在其中添加我们的数据

# 自己配置一些项目信息
# 数据库配置

MYSQL_HOST = '127.0.0.1'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWD = '123456'
MYSQL_CHARSET = 'utf8'
MYSQL_DBNAME = 'db_name'
然后在pipelines中进行我们异步写入数据库的操作：

from twisted.enterprise import adbapi

from MySQLdb import cursors

class MysqlTwistedPipeline(object):
@classmethod
# 这个函数会自动调用
def from_settings(cls, settings):
# 准备好连接数据库需要的参数
db_params = dict(
host=settings["MYSQL_HOST"],
port=settings["MYSQL_PORT"],
user=settings["MYSQL_USER"],
passwd=settings["MYSQL_PASSWD"],
charset=settings["MYSQL_CHARSET"],
db=settings["MYSQL_DBNAME"],
use_unicode=True,
# 指定游标类型
cursorclass=cursors.DictCursor
)
# 创建连接池
# 1.要连接的名称  2.连接需要的参数
db_pool = adbapi.ConnectionPool('MySQLdb', **db_params)
# 返回当前类的对象，并且把db_pool赋值给该类的对象
return cls(db_pool)

def __init__(self, db_pool):
# 赋值
self.db_pool = db_pool
# 处理item函数

def process_item(self, item, spider):
# 把要处理的事件进行异步处理
# 1.要处理的事件函数
# 2.事件函数需要的参数
query = self.db_pool.runInteraction(self.do_insert, item)
# 执行sql出现错误信息
query.addErrback(self.handle_error, item, spider)
# 错误的原因

def handle_error(self, failure, item, spider):
print failure
# 处理插入数据库的操作
# cursor该函数是连接数据库的函数，并且放在异步去执行，cursor执行sql语句
def do_insert(self, cursor, item):
# 1.准备sql语句
sql = 'insert into table_name(表中各个字段名)VALUES (各个字段对应的数据item)'
# 2.用cursor游标执行sql
cursor.execute(sql)

写入CSV文件的操作：
同样操作在我们的pipelines.py文件中进行
# 写入csv文件
import csv
import codecs
class SaveCSVFile(object):

def __init__(self):
file_handle = codecs.open('name.csv', 'w', encoding='utf-8')
# 1. 创建csv文件
self.csv = csv.writer(file_handle)
self.csv.writerow(表头的信息)

def process_item(self, item, spider):
self.csv.writerow(表头信息所对应的每个item对象)
return item

def __del__(self):
# 关闭文件
self.file_handle.close()
写入json文件：
import json
class JsonPipeline(object):

def __init__(self):
self.file_handle = codecs.open('name.json', 'w', encoding='utf-8')

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

def __del__(self):
# 关闭文件
self.file_handle.close()

在我们完成pipelines中的函数重写后，一定要记得在setting文件中配置，以确保其能正常执行。

如果同时在pipelines中进行多种方式的写入的话，切记要在process_item函数中返回item，即return item
还有一种简单的保存csv / json文件的方法:
在编辑器命令行输入:scrapy crawl spider - o name.json / csv - s FEED_EXPROT_ENCODING = UTF8
FEED_EXPORT_ENCODING = UTF8指保证文件中的中文正常显示