Python爬虫-scrapy数据持久化存储

基于终端指令的持久化存储

1. 存储数据放到爬虫文件的parse方法的返回值中。
2. 存储只能为json, csv, xml等文本类型。
3. scrapy crawl spider_name -o output_path。执行spider_name，将输出放到output_path中。

import scrapy


class Spider1Spider(scrapy.Spider):
    name = 'spider1'
    # 允许爬取的域名列表
    allowed_domains = ['www.bilibili.com']
    # 要爬取的URL列表
    start_urls = ['https://www.bilibili.com/v/popular/rank/all']

    def parse(self, response):
        # 返回内容封装在selector中，其返回所有符合条件的selector对象组成的列表。
        selector_list = response.xpath('//li//div[@class="info"]/a/@href')
        # 将selector中封装的data提取出来
        data = selector_list.extract()

        # 封装为字典存json。经尝试，直接返回str或list都不能成功存储。
        return {"data": data}

基于管道的持久化存储

​ 前提：创建工程project2并创建爬虫文件spider2。

spyder2.py

import scrapy
from project2.items import Project2Item

class Spider2Spider(scrapy.Spider):
    name = 'spider2'
    # 允许爬取的域名列表
    allowed_domains = ['www.bilibili.com']
    # 要爬取的URL列表
    start_urls = ['https://www.bilibili.com/v/popular/rank/all']

    def parse(self, response):
        # 返回内容封装在selector中，其返回所有符合条件的selector对象组成的列表。
        selector_list = response.xpath('//li//div[@class="info"]/a/@href')
        # 将selector中封装的data提取出来
        data = selector_list.extract()

        # 创建item对象
        item = Project2Item()
        item["rank_list"] = ' '.join(data)

        # yield会将item发给管道
        yield item

items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class Project2Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    rank_list = scrapy.Field()

piplines.py

​ 前提：setting.py中解注释ITEM_PIPELINES。

# 300代表管道的优先级，数值越小越优先。可能会有多个管道
ITEM_PIPELINES = {   'project2.pipelines.Project2Pipeline': 300,
#可继续添加管道类优先级
}

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class Project2Pipeline:
    fp = None
    # 对父类方法重写。本方法在爬虫之前启动。
    def open_spider(self, spider):
        print("开始爬虫")
        self.fp = open('./bilibili_rank.txt', 'w', encoding='utf-8')

    # 对item封装的数据进行持久化存储
    def process_item(self, item, spider):
        data = item["rank_list"]
        self.fp.write(data)
        return item#此时的item会传给下一个执行的管道

    # 对父类方法重写。本方法在爬虫结束时启动。
    def close_spider(self, spider):
        print("结束爬虫")
        self.fp.close()

# 定义另外一个管道类
#class DatabasePipline:
#	...

scrapy crawl spider2开始爬取数据。

相比较于终端指令持久存储方式，使用管道方式存储方式更灵活。可以存在任何类型文件或者数据库中。