快捷導航

python中scrapy處理項目數(shù)據(jù)的實例分析

更新時間：2020年11月22日 08:52:10 作者：小妮淺淺

在本篇文章里小編給大家整理了關(guān)于python中scrapy處理項目數(shù)據(jù)的實例分析內(nèi)容，有興趣的朋友們可以學習下。

在我們處理完數(shù)據(jù)后，習慣把它放在原有的位置，但是這樣也會出現(xiàn)一定的隱患。如果因為新數(shù)據(jù)的加入或者其他種種原因，當我們再次想要啟用這個文件的時候，小伙伴們就會開始著急卻怎么也翻不出來，似乎也沒有其他更好的搜集辦法，而重新進行數(shù)據(jù)整理顯然是不現(xiàn)實的。下面我們就一起看看python爬蟲中scrapy處理項目數(shù)據(jù)的方法吧。

1、拉取項目

$ git clone https://github.com/jonbakerfish/TweetScraper.git

$ cd TweetScraper/

$ pip install -r requirements.txt #add '--user' if you are not root

$ scrapy list

$ #If the output is 'TweetScraper', then you are ready to go.

2、數(shù)據(jù)持久化

通過閱讀文檔，我們發(fā)現(xiàn)該項目有三種持久化數(shù)據(jù)的方式，第一種是保存在文件中，第二種是保存在Mongo中，第三種是保存在MySQL數(shù)據(jù)庫中。因為我們抓取的數(shù)據(jù)需要做后期的分析，所以，需要將數(shù)據(jù)保存在MySQL中。

抓取到的數(shù)據(jù)默認是以Json格式保存在磁盤 ./Data/tweet/ 中的，所以，需要修改配置文件 TweetScraper/settings.py 。

ITEM_PIPELINES = {  # 'TweetScraper.pipelines.SaveToFilePipeline':100,
#'TweetScraper.pipelines.SaveToMongoPipeline':100, # replace `SaveToFilePipeline` with this to use MongoDB
  'TweetScraper.pipelines.SavetoMySQLPipeline':100, # replace `SaveToFilePipeline` with this to use MySQL
}
#settings for mysql
MYSQL_SERVER = "18.126.219.16"
MYSQL_DB   = "scraper"
MYSQL_TABLE = "tweets" # the table will be created automatically
MYSQL_USER  = "root"    # MySQL user to use (should have INSERT access granted to the Database/Table
MYSQL_PWD  = "admin123456"    # MySQL user's password

內(nèi)容擴展：

scrapy.cfg是項目的配置文件

from scrapy.spider import BaseSpider
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
  "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
  "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
  filename = response.url.split("/")[-2]
  open(filename, 'wb').write(response.body)

到此這篇關(guān)于python中scrapy處理項目數(shù)據(jù)的實例分析的文章就介紹到這了,更多相關(guān)python爬蟲中scrapy如何處理項目數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: