Python网络爬虫Scrapy存入数据库

(转载)scrapy三步曲scrapy的简介、安装与实例（python抓取的爬虫框架）
https://www.doczj.com/doc/f43725020.html,/perl-python/660279.html

(原文地址：https://www.doczj.com/doc/f43725020.html,/?p=664)

实例，官方有个实例教程，算是比较简单了，然后后面有更详细的一项项解释，不过老实讲我还真是看不太懂，很多地方没有给出实例，所以我在网上找了一大堆资料后，弄了一个实例。现在列出来跟大家分享。

1.实例初级目标：从一个网站的列表页抓取文章列表，然后存入数据库中，数据库包括文章标题、链接、时间

首先生成一个项目:scrapy startproject fjsen

目录结构大致如下：


先定义下items,打开items.py: 我们开始建模的项目，我们想抓取的标题，地址和时间的网站，我们定义域为这三个属性。这样做，我们编辑items.py，发现在开放目录目录。我们的项目看起来像这样： # Define here the models for your scraped items
#
# See documentation in:
# https://www.doczj.com/doc/f43725020.html,/topics/items.html from scrapy.item import Item, Field class FjsenItem(Item):
# define the fields for your item here like:
# name = Field()
title=Field()
link=Field()
addtime=Field()
大家想知道更加详细的话看：https://www.doczj.com/doc/f43725020.html,/en/0.12/topics/items.html
第二步：定义一个spider,就是爬行蜘蛛（注意在工程的spiders文件夹下），他们确定一个初步清单的网址下载，如何跟随链接，以及如何分析这些内容的页面中提取项目（我们要抓取的网站是https://www.doczj.com/doc/f43725020.html,/j/node_94962.htm 这列表的所有十页的链接和时间）。 新建一个fjsen_spider.py,内容如下： #-*- coding: utf-8 -*-
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from fjsen.items import FjsenItem
class FjsenSpider(BaseSpider):
name="fjsen"
allowed_domains=["https://www.doczj.com/doc/f43725020.html,"]
start_urls=['https://www.doczj.com/doc/f43725020.html,/j/node_94962_'+str(x)+'.htm' for x in range(2,11)]+['https://www.doczj.com/doc/f43725020.html,/j/node_94962.htm'] def parse(self,response):
hxs=HtmlXPathSelector(response)
sites=hxs.select('//ul/li')
items=[]
for site in sites:
item=FjsenItem()
item['title']=site.select('a/text()').extract()
item['link'] = site.select('a/@href').extract()
item['addtime']=site.select('span/text()').extract()
items.append(item)
return items name:是确定蜘蛛的名称。它必须是独特的，就是说，你不能设置相同的名称不同的蜘蛛。 allowed_domains：这个很明显，就是允许的域名，或者说爬虫所允许抓取的范围仅限这个列表里面的域名。 start_urls：是一个网址列表，蜘蛛会开始爬。所以，第一页将被列在这里下载。随后的网址将生成先后从数据中包含的起始网址。我这里直接

是列出十个列表页。 parse()：是蜘蛛的一个方法，当每一个开始下载的url返回的Response对象都会执行该函数。 这里面，我抓取每一个列表页中的

下的
• 下的数据，包括title,链接，还有时间，并插入到一个列表中.
  第三步，将抓取到的数据存入数据库中，这里就得在pipelines.py这个文件里面修改了 # Define your item pipelines here
  #
  # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  # See: https://www.doczj.com/doc/f43725020.html,/topics/item-pipeline.html
  import sqlite3
  from os import path
  from scrapy import signals
  from scrapy.xlib.pydispatch import dispatcher
  class FjsenPipeline(object):
  
  def __init__(self):
  self.conn=None
  dispatcher.connect(self.initialize,signals.engine_started)
  dispatcher.connect(self.finalize,signals.engine_stopped)
  def process_item(self,item,spider):
  self.conn.execute('insert into fjsen values(?,?,?,?)',(None,item['title'][0],'https://www.doczj.com/doc/f43725020.html,/'+item['link'][0],item['addtime'][0]))
  return item def initialize(self):
  if path.exists(self.filename):
  self.conn=sqlite3.connect(self.filename)
  else:
  self.conn=self.create_table(self.filename)
  def finalize(self):
  if self.conn is not None:
  https://www.doczj.com/doc/f43725020.html,mit()
  self.conn.close()
  self.conn=None
  def create_table(self,filename):
  conn=sqlite3.connect(filename)
  conn.execute("""create table fjsen(id integer primary key autoincrement,title text,link text,addtime text)""")
  https://www.doczj.com/doc/f43725020.html,mit()
  return conn
  这里我暂时不解释，先继续，让这个蜘蛛跑起来再说。 第四步：修改setting.py这个文件：将下面这句话加进去 ITEM_PIPELINES=['fjsen.pipelines.FjsenPipeline'] 接着，跑起来吧,执行： scrapy crawl fjsen 就会在目前下生成一个data.sqlite的数据库文件，所有抓取到的数据都会存在这里。
  
  相关主题

  • 基于python的网络爬虫
  • 基于python的网页爬虫
  文本预览