python对mysql数据分析(python使用adbapi实现MySQL数据库的异步存储)
python对mysql数据分析
python使用adbapi实现MySQL数据库的异步存储之前一直在写有关scrapy爬虫的事情,今天我们看看使用scrapy如何把爬到的数据放在mysql数据库中保存。
有关python操作mysql数据库的内容,网上已经有很多内容可以参考了,但都是在同步的操作mysql数据库。在数据量不大的情况下,这种方法固然可以,但是一旦数据量增长后,mysql就会出现崩溃的情况,因为网上爬虫的速度要远远高过往数据库中插入数据的速度。为了避免这种情况发生,我们就需要使用异步的方法来存储数据,爬虫与数据存储互不影响。
为了显示方便,我们把程序设计的简单一点,只是爬一页的数据。我们今天选择伯乐在线这个网站来爬取,只爬取第一页的数据。
首先我们还是要启动一个爬虫项目,然后自己建了一个爬虫的文件jobbole.py。我们先来看看这个文件中的代码
|
# -*- coding: utf-8 -*- import io import sys import scrapy import re import datetime from scrapy.http import request from urllib import parse from articlespider.items import jobbolearticleitem, articleitemloader from scrapy.loader import itemloader sys.stdout = io.textiowrapper(sys.stdout. buffer ,encoding = 'utf-8' ) class jobbolespider(scrapy.spider): """docstring for jobbolespider""" name = "jobbole" allowed_domain = [ "blog.jobbole.com" ] start_urls = [ 'http://blog.jobbole.com/all-posts/' ] def parse( self , response): """ 1.获取列表页中的文章url """ # 解析列表汇中所有文章url并交给scrapy下载器并进行解析 post_nodes = response.css( "#archive .floated-thumb .post-thumb a" ) for post_node in post_nodes: image_url = post_node.css( "img::attr(src)" ).extract_first("") # 这里取出每篇文章的封面图,并作为meta传入request post_url = post_node.css( "::attr(href)" ).extract_first("") yield request(url = parse.urljoin(response.url, post_url), meta = { "front_image_url" :image_url}, callback = self .parse_detail) def parse_detail( self , response): article_item = jobbolearticleitem() # 通过itemloader加载item # 通过add_css后的返回值都是list型,所有我们再items.py要进行处理 item_loader = articleitemloader(item = jobbolearticleitem(), response = response) item_loader.add_css( "title" , ".entry-header h1::text" ) item_loader.add_value( "url" , response.url) # item_loader.add_value("url_object_id", get_md5(response.url)) item_loader.add_value( "url_object_id" , response.url) item_loader.add_css( "create_date" , "p.entry-meta-hide-on-mobile::text" ) item_loader.add_value( "front_image_url" , [front_image_url]) item_loader.add_css( "praise_nums" , ".vote-post-up h10::text" ) item_loader.add_css( "comment_nums" , "a[href='#article-comment'] span::text" ) item_loader.add_css( "fav_nums" , ".bookmark-btn::text" ) item_loader.add_css( "tags" , "p.entry-meta-hide-on-mobile a::text" ) item_loader.add_css( "content" , "li.entry" ) article_item = item_loader.load_item() print (article_item[ "tags" ]) yield article_item pass |
这里我把代码进行了简化,首先对列表页发出请求,这里只爬取一页数据,然后分析每一页的url,并且交给scrapy对每一个url进行请求,得到每篇文章的详情页,把详情页的相关内容放在mysql数据库中。
这里使用itemloader来进行页面的解析,这样解析有个最大的好处就是可以把解析规则存放在数据库中,实现对解析规则的动态加载。但是要注意一点是使用itemloader中css方式和xpath方式得到的数据都是list型,因此还需要在items.py中再对相对应的数据进行处理。
接下来我们就来看看items.py是如何处理list数据的。
|
# -*- coding: utf-8 -*- # define here the models for your scraped items # # see documentation in: # https://doc.scrapy.org/en/latest/topics/items.html import datetime import re import scrapy from scrapy.loader import itemloader from scrapy.loader.processors import mapcompose, takefirst,join from articlespider.utils.common import get_md5 def convert_date(value): try : create_date = datetime.datetime.strptime(create_date, "%y/%m/%d" ).date() except exception as e: create_date = datetime.datetime.now().date() return create_date def get_nums(value): match_re = re.match( ".*?(\d+).*" , value) if match_re: nums = int (match_re.group( 1 )) else : nums = 0 return nums def remove_comment_tags(value): # 去掉tags中的评论内容 if "评论" in value: # 这里做了修改,如果返回"",则在list中仍然会占位,会变成类似于["程序员",,"解锁"]这样 # return "" return none else : return value def return_value(value): return class articleitemloader(itemloader): """docstring for ariticleitemloader""" # 自定义itemloader default_output_processor = takefirst() class articlespideritem(scrapy.item): # define the fields for your item here like: # name = scrapy.field() pass class jobbolearticleitem(scrapy.item): """docstring for articlespideritem""" title = scrapy.field() create_date = scrapy.field( input_processor = mapcompose(convert_date) ) url = scrapy.field() url_object_id = scrapy.field( output_processor = mapcompose(get_md5) ) # 这里注意front_image_url还是一个list,在进行sql语句时还需要处理 front_image_url = scrapy.field( output_processor = mapcompose(return_value) ) front_image_path = scrapy.field() praise_nums = scrapy.field( input_processor = mapcompose(get_nums) ) comment_nums = scrapy.field( input_processor = mapcompose(get_nums) ) fav_nums = scrapy.field( input_processor = mapcompose(get_nums) ) # tags要做另行处理,因为tags我们需要的就是list tags = scrapy.field( input_processor = mapcompose(remove_comment_tags), output_processor = join( "," ) ) content = scrapy.field() |
首先我们看到定义了一个类articleitemloader,在这个类中只有一句话,就是对于每个items都默认采用list中的第一个元素,这样我们就可以把每个items中的第一个元素取出来。但是要注意,有些items我们是必须要用list型的,比如我们给imagepipeline的数据就要求必须是list型,这样我们就需要对front_image_url单独进行处理。这里我们做了一个小技巧,对front_image_url什么都不错,因为我们传过来的front_image_url就是list型
在items的field中有两个参数,一个是input_processor,另一个是output_processor,这两个参数可以帮助我们对items的list中的每个元素进行处理,比如有些需要用md5进行加密,有些需要用正则表达式进行筛选或者排序等等。
在进行mysql的pipeline之前,我们需要设计数据库,下面是我自己设计的数据库的字段,仅供参考
这里我把url_object_id作为该表的主键,由于它不会重复,所以适合做主键。
下面我们来看看数据库的pipeline。
|
# -*- coding: utf-8 -*- # define your item pipelines here # # don't forget to add your pipeline to the item_pipelines setting # see: https://doc.scrapy.org/en/latest/topics/item-pipeline.html import codecs import json from twisted.enterprise import adbapi import mysqldb import mysqldb.cursors class mysqltwistedpipeline( object ): """docstring for mysqltwistedpipeline""" #采用异步的机制写入mysql def __init__( self , dbpool): self .dbpool = dbpool @classmethod def from_settings( cls , settings): dbparms = dict ( host = settings[ "mysql_host" ], db = settings[ "mysql_dbname" ], user = settings[ "mysql_user" ], passwd = settings[ "mysql_password" ], charset = 'utf8' , cursorclass = mysqldb.cursors.dictcursor, use_unicode = true, ) dbpool = adbapi.connectionpool( "mysqldb" , * * dbparms) return cls (dbpool) def process_item( self , item, spider): #使用twisted将mysql插入变成异步执行 query = self .dbpool.runinteraction( self .do_insert, item) query.adderrback( self .handle_error, item, spider) #处理异常 return item def handle_error( self , failure, item, spider): # 处理异步插入的异常 print (failure) def do_insert( self , cursor, item): #执行具体的插入 #根据不同的item 构建不同的sql语句并插入到mysql中 # insert_sql, params = item.get_insert_sql() # print (insert_sql, params) # cursor.execute(insert_sql, params) insert_sql = """ insert into jobbole_article(title, url, create_date, fav_nums, url_object_id) values (%s, %s, %s, %s, %s) """ # 可以只使用execute,而不需要再使用commit函数 cursor.execute(insert_sql, (item[ "title" ], item[ "url" ], item[ "create_date" ], item[ "fav_nums" ], item[ "url_object_id" ])) |
在这里我们只是演示一下,我们只向数据库中插入5个字段的数据,分别是title,url,create_date,fav_nums,url_object_id。
当然你也可以再加入其它的字段。
首先我们看看from_settings这个函数,它可以从settings.py文件中取出我们想想要的数据,这里我们把数据库的host,dbname,username和password都放在settings.py中。实际的插入语句还是在process_item中进行,我们自己定义了一个函数do_insert,然后把它传给dbpool中用于插入真正的数据。
最后我们来看看settings.py中的代码,这里就很简单了。
|
mysql_host = "localhost" mysql_dbname = "article_wilson" mysql_user = "root" mysql_password = "root" |
其实这里是和pipeline中的代码是想对应的,别忘了把在settings.py中把pipeline打开。
|
item_pipelines = { # 'articlespider.pipelines.articlespiderpipeline': 300, # 'articlespider.pipelines.jsonwithencodingpipeline': 1 # # 'scrapy.pipelines.images.imagepipeline': 1, # 'articlespider.pipelines.jsonexporterpipleline': 1 # 'articlespider.pipelines.articleimagepipeline': 2 # 'articlespider.pipelines.mysqlpipeline': 1 'articlespider.pipelines.mysqltwistedpipeline' : 1 } |
好了,现在我们可以跑一程序吧。
scrapy crawl jobbole
下面是运行结果的截图
好了,以上就是今天的全部内容了。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持开心学习网。
原文链接:https://blog.csdn.net/Wilson_Iceman/article/details/79270235
- python 文本文件读取方法(Python逐行读取文件中内容的简单方法)
- python开启两个线程(Python开启线程,在函数中开线程的实例)
- python接口自动化接口依赖(python接口自动化十六--参数关联接口后传详解)
- python 百度搜索结果(Python模拟百度自动输入搜索功能的实例)
- python中怎样使用列表的sort方法(详解python中sort排序使用)
- 怎么python爬取网页图片(详解Python静态网页爬取获取高清壁纸)
- python彩色字符视频代码(python将视频转换为全字符视频)
- python做了一个自动翻译的小工具(Python 20行简单实现有道在线翻译的详解)
- python实现螺旋矩阵(Python3实现的旋转矩阵图像算法示例)
- python怎么提取微信数据(使用Python+wxpy 找出微信里把你删除的好友实例)
- python实现数据的预测(Python基于scipy实现信号滤波功能)
- python 模式识别(python实现全盘扫描搜索功能的方法)
- python默认缩进设置(不归路系列:Python入门之旅-一定要注意缩进!!!推荐)
- python写一个二叉树(Python二叉搜索树与双向链表转换算法示例)
- python排序的三种方法(Python实现插入排序和选择排序的方法)
- python去除字符串中间的空格(Python去除字符串前后空格的几种方法)
- 富士胶片 中国 我们对上海的信心没有任何改变(富士胶片中国)
- 赢麻了 富士公布2021年度财报 营利同比增长240(富士公布2021年度财报)
- 医事文化谈屑 | 古人的名 字 号(医事文化谈屑古人的名)
- ()
- 网友很惭愧,自己写了很多年的字,到头来还不如一名小学生写的好(自己写了很多年的字)
- 中华第一楷 张瑞龄 86岁高龄,苦练楷书71年,一幅字卖593万(中华第一楷张瑞龄)
热门推荐
- aspx页面无任何代码 每个页面发布成dll
- mysql密码设置(mysql密码中有特殊字符&在命令行下登录的操作)
- css3编程实战(详解CSS3开启硬件加速的使用和坑)
- 云服务器和物理服务器有什么区别(云服务器是什么?云服务器有什么优势?)
- 织梦列表页调用文章怎么调(详解织梦手机端搜索时候直接调用search_m.htm手机站页面的办法)
- 如何打开mysql8.0客户端服务(MySQL mysqladmin客户端的使用简介)
- mysql的存储方法(MySQL中的binary类型使用操作)
- 云服务器无法操作(云服务器登录连接失败解决方案)
- sqlserver数据回退(SQLServer数据库处于恢复挂起状态的解决办法)
- console.table调试JSON对象或字符串
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9