Python爬虫学习笔记总结(二)
五 数据库存储爬取的信息（MySQL）
爬取到的数据为了更好地进行分析利用，而之前将爬取得数据存放在txt文件中后期处理起来会比较麻烦，很不方便，如果数据量比较大的情况下，查找更加麻烦，所以我们通常会把爬取的数据存储到数据库中便于后期分析利用。
这里，数据库选择MySQL，采用pymysql这个第三方库来处理python和mysql数据库的存取，python连接mysql数据库的配置信息
db_config ={
'host': '127.0.0.1',
'port': 3306,
'user': 'root',
'password': '',
'db': 'pytest',
'charset': 'utf8'
}
以爬取简书首页文章标题以及url为例，先分析抓取目标信息，
如上图，文章题目在a标签中，且url（href）只含有后半部分，所以在存储的时候，最好把它补全。
mysql：新建一个数据库pytest，建立一张名为titles的表，表中字段分别为id(int自增)，title(varchar)，url(varchar),如下：
进行数据库操作的思路为：获得数据库连接（connection）->获得游标（cursor）->执行sql语句（execute）->事物提交(commit)->关闭数据据库连接（close），具体代码实现如下：
# -*- coding:utf-8 -*-
from urllib import request
from bs4 import BeautifulSoup
import pymysql
# mysql连接信息（字典形式）
db_config ={
'host': '127.0.0.1',
'port': 3306,
'user': 'root',
'password': '',
'db': 'pytest',
'charset': 'utf8'
}
# 获得数据库连接
connection = pymysql.connect(**db_config)
# 数据库配置，获得连接（参数方式）
# connection = pymysql.connect(host='127.0.0.1',
# port=3306,
# user='root',
# password='',
# db='pytest',
# charset='utf8')
url = r'http://www.jianshu.com/'
# 模拟浏览器头
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
soup = BeautifulSoup(page_info, 'html.parser')
urls = soup.find_all('a', 'title')
try:
# 获得数据库游标
with connection.cursor() as cursor:
sql = 'insert into titles(title, url) values(%s, %s)'
for u in urls:
# 执行sql语句
cursor.execute(sql, (u.string, r'http://www.jianshu.com'+u.attrs['href']))
# 事务提交
connection.commit()
finally:
# 关闭数据库连接
connection.close()
代码执行结果：
六、Scrapy初体验
之前大概学习了下通过urllib和Beautiful Soup 进行简单数据爬取的流程，但是那只适用于一些简单的、数据量比较小的爬虫项目，如果需要爬取的数据量比较大的话，之前的方法必定非常缓慢，所以就有了Scrapy，Scrapy是一个快速的web抓取框架，可抓取web站点并从页面中提取结构化的数据。Scrapy给我们提供了许多的爬虫基类，我们可以直接继承使用，当然，既然Scrapy是一个框架，我们也可以根据自己的需要对它进行修改，下面我们就慢慢来看Scrapy的使用。
（一）安装（Windows）
Scrapy是纯Python编写的，所以需要一些比较重要的的Python依赖包：
-
lxml, an efficient XML and HTML parser
-
parsel, an HTML/XML data extraction library written on top of lxml,
-
w3lib, a multi-purpose helper for dealing with URLs and web page encodings
-
twisted, an asynchronous networking framework
-
cryptography and pyOpenSSL, to deal with various network-level security needs
看着依赖包比较多，其实安装起来并不复杂，以管理员的身份运行Windows命令提示符，在以安装Python的前提下，运行：
pip install scrapy
pip会自动下载相关依赖包，如果顺利的话，会直接安装完成。
要注意的是，确认一下python的版本，pip会根据系统自动安装相关包，即如果系统是64位的，pip就会安装64位的包，但是twisted的版本一定要和python的一样，如果操作系统是64位的，python是32位的，pip直接安装的twisted安装就会出错。
如果pip安装twisted时出错，在命令行输入python，查看本地python版本，然后到这里下载和python版本相同的whl文件，使用pip install xxx.whl安装，完成后再执行一遍pip install scrapy即可。
在命令行输入scrapy, 若不报错，则安装完成。
（二） 第一个Scrapy项目
照例，先上官方文档 1.3,找了一下网上翻译的文档都是0.24或者0.24版，所以建议大家还是看官方最新的英文版比较好。
打开命令提示符，进入想要创建项目的目录，运行
scrapy startproject scrapyTest
项目创建完成，让我们来看一下项目结构，执行：
tree /f
└─scrapyTest │ scrapy.cfg # 配置文件(deploy configuration file) │ └─scrapyTest │ items.py # 项目中的item文件(project items definition file) │ middlewares.py # 中间件 │ pipelines.py # 项目中的管道文件(project pipelines file) │ settings.py # 项目中的设置文件(project settings file) │ __init__.py │ ├─spiders # 存放爬虫的文件夹(a directory where you'll later put your spiders) │ │ __init__.py │ │ │ └─__pycache__ └─__pycache__
进入spiders目录，新建test_spider.py如下：
# -*- coding:utf-8 -*-
import scrapy
from bs4 import BeautifulSoup
class tsSpride(scrapy.Spider):
name = 'test' # 爬虫的唯一名字，在项目中爬虫名字一定不能重复
# start_requests() 必须返回一个迭代的Request
def start_requests(self):
# 待爬取的URL列表
urls = ['http://www.jianshu.com/',]
# 模拟浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
for url in urls:
yield scrapy.Request(url=url, headers=headers, callback=self.parse)
# 处理每个请求的下载响应
def parse(self, response):
soup = BeautifulSoup(response.body, 'html.parser')
titles = soup.find_all('a', 'title')
for title in titles:
print(title.string)
在命令行输入
scrapy crawl test
结果如下：
上述代码Scrapy为start_requests 中的每个URL创建了scrapy.Request对象，并将 parse() 方法作为回调函数(callback)赋值给了Request（Scray中parse()为默认回调方法）。
七 Scrapy小例子
之前我们知道了Scrapy中每个文件所代表的含义，这次我们就以爬取拉勾网Python相关招聘信息来具体演示下Scrapy每个文件的用法。
我们要做的是，将拉勾网以‘Python’为关键字搜索到的招聘信息前五页爬下来，然后将其中的‘职位’、‘薪资’、‘学历要求’、‘工作地点’、‘公司名称’以及‘信息发布时间’提取出来并存储到MySQL数据库中。
（一）准备工作
我们先到拉勾网，在技术一栏中点击Python，得到如下页面：
点击下一页，观察地址栏URL的变化:
第二页的URL
https://www.lagou.com/zhaopin/Python/2/?filterOption=2
我们可以发现，页码的变化体现在URL中的两个数字上，由此，我们便可以得到我们需要爬取的5个页面的URL分别为：
urls = ['https://www.lagou.com/zhaopin/Python/1/?filterOption=1', 'https://www.lagou.com/zhaopin/Python/2/?filterOption=2', 'https://www.lagou.com/zhaopin/Python/3/?filterOption=3', 'https://www.lagou.com/zhaopin/Python/4/?filterOption=4', 'https://www.lagou.com/zhaopin/Python/5/?filterOption=5', ]
整理好需要爬取的URL后，我们来按F12打开开发者工具，找我们需要提取的信息：
可以看到需要爬取的信息都在<li>标签中没，右键复制一个li标签，整理一下格式，得到如下代码：
<li class="con_list_item default_list" data-index="3" data-positionid="991482" data-salary="8k-16k" data-company="昆明俊云科技有限公司" data-positionname="Python开发工程师" data-companyid="67804" data-hrid="1346958"> <div class="list_item_top"> <div class="position"> <div class="p_top"> <a class="position_link" href="//www.lagou.com/jobs/991482.html" target="_blank" data-index="3" data-lg-tj-id="8E00" data-lg-tj-no="0104" data-lg-tj-cid="991482" data-lg-tj-abt="dm-csearch-useSalarySorter|1"> <h2 style="max-width: 180px;">Python开发工程师</h2> <span class="add">[<em>昆明·盘龙区</em>]</span> <span class="format-time">1天前发布</span> </div> <div class="p_bot"> <div class="li_b_l"> <span class="money">8k-16k</span> <!--<i></i>-->经验1-3年 / 本科 </div> </div> </div> <div class="company"> <div class="company_name"> <a href="//www.lagou.com/gongsi/67804.html" target="_blank" data-lg-tj-id="8F00" data-lg-tj-no="0104" data-lg-tj-cid="67804" data-lg-tj-abt="dm-csearch-useSalarySorter|1">昆明俊云科技有限公司</a><i class="company_mark"><span>该企业已上传营业执照并通过资质验证审核</span></i> </div> <div class="industry"> 移动互联网,硬件 / 初创型(不需要融资) </div> </div> <div class="com_logo"> <a href="//www.lagou.com/gongsi/67804.html" target="_blank" data-lg-tj-id="8G00" data-lg-tj-no="0104" data-lg-tj-cid="67804" data-lg-tj-abt="dm-csearch-useSalarySorter|1"></a> </div> </div> <div class="list_item_bot"> <div class="li_b_l"> <div class="li_b_r"> “福利优厚、期权奖励、五险一金、工作餐” </div> </div> </li>
可以发现，<li>标签属性中有我们需要的’职位‘、’薪资‘、’公司名称‘，而’工作地点‘、’学历要求‘和’信息发布时间‘则在下面的各个标签中，于是我们可以使用如下代码，提取各个信息(Beautiful Soup)：
info = BeautifulSoup(response.body, 'html.parser').find('li','con_list_item default_list')
info.attrs['data-positionname'], # 职位
info.attrs['data-salary']
info.find('em').get_text().split('·')[0], # 工作地点
(info.find('span', 'format-time')).string, # 发布时间
info.find('div', 'li_b_l').get_text().split('/')[-1], # 学历要求
info.attrs['data-company'], # 公司名称
（二）数据库的创建
先来建好数据库，这里使用的是MySQL数据库，建立如下：
DROP TABLE IF EXISTS `info01`; CREATE TABLE `info01` ( `id` int(11) NOT NULL AUTO_INCREMENT, `title` varchar(255) NOT NULL, `salary` int(255) NOT NULL, `position` varchar(255) NOT NULL, `time` varchar(255) NOT NULL, `grade` varchar(255) NOT NULL, `company` varchar(255) NOT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=498 DEFAULT CHARSET=utf8;
要注意的是，其中的id属性设为自增，’salary‘属性设为int类型，方便以后进行数据分析统计。
（三）代码编写
准备工作完成了，下面开始代码部分，先到工作目录中建立工程，在命令行中：
scrapy startproject lgSpider
先编辑items.py文件，该文件是一个简单的数据收集容器，用于保存爬虫爬取的数据，类似一个字典：
# items.py # -*- coding: utf-8 -*- import scrapy class LgspiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() # 职位 position = scrapy.Field() # 工作地点 salary = scrapy.Field() # 最低薪资 company = scrapy.Field() # 公司名称 time = scrapy.Field() # 信息发布时间 grade = scrapy.Field() # 学历要求
在spiders中建立爬虫文件lg_spider.py如下：
# -*- coding:utf-8 -*-
import scrapy
from bs4 import BeautifulSoup
class lg_spider(scrapy.Spider):
name = 'lg' # 爬虫名字
def start_requests(self):
# 待爬取的url地址
urls = ['https://www.lagou.com/zhaopin/Python/1/?filterOption=1',
'https://www.lagou.com/zhaopin/Python/2/?filterOption=2',
'https://www.lagou.com/zhaopin/Python/3/?filterOption=3',
'https://www.lagou.com/zhaopin/Python/4/?filterOption=4',
'https://www.lagou.com/zhaopin/Python/5/?filterOption=5',
]
# 模拟浏览器的头信息
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
for url in urls:
yield scrapy.Request(url=url, headers=headers, callback=self.parse)
def parse(self, response):
# 使用Beautiful Soup进行分析提取
soup = BeautifulSoup(response.body, 'html.parser')
for info in soup.find_all('li', 'con_list_item default_list'):
# 将提取的salary字符串，只截取最少工资并转换成整数形式，如：7k-12k -> 7000
salary = info.attrs['data-salary'].split('k')[0]
salary = int(salary) * 1000
# 存储爬取的信息
yield {
'title': info.attrs['data-positionname'], # 职位
'position': info.find('em').get_text().split('·')[0], # 工作地点
'salary': salary, # 最低工资
'time': (info.find('span', 'format-time')).string, # 发布时间
'grade': info.find('div', 'li_b_l').get_text().split('/')[-1], # 学历要求
'company': info.attrs['data-company'], # 公司名称
}
爬取的item被收集起来后，会被传送到pipelines中，进行一些处理，下面开始编辑pipelines.py用于将爬取的数据存入MySQL数据库，
# -*- coding: utf-8 -*-
import pymysql
# 数据库配置信息
db_config = {
'host': '127.0.0.1',
'port': 3306,
'user': 'root',
'password': '',
'db': 'lg_info',
'charset': 'utf8'
}
class LgspiderPipeline(object):
# 获取数据库连接和游标
def __init__(self):
self.connection = connection = pymysql.connect(**db_config)
self.cursor = self.connection.cursor()
# Pipeline必须实现的方法，对收集好的item进行一系列处理
def process_item(self, item, spider):
# 存储的SQL语句
sql = 'insert into info01(title, salary, position, time, grade, company) values(%s, %s, %s, %s, %s, %s)'
try:
self.cursor.execute(sql, (item['title'].encode('utf-8'),
item['salary'],
item['position'].encode('utf-8'),
item['time'].encode('utf-8'),
item['grade'].encode('utf-8'),
item['company'].encode('utf-8'),
)
)
self.connection.commit()
except pymysql.Error as e:
# 若存在异常则抛出
print(e.args)
return item
最后，再来配置settings.py文件，打开settings.py文件，会发现其中有很多注释，我们找到
# Configure item pipelines
它代表使用使用指定的pipeline，将其修改为如下格式：
# LgspiderPipeline即我们写的pipelines.py中的LgspiderPipeline类ITEM_PIPELINES = { 'lgSpider.pipelines.LgspiderPipeline': 300,
}
OK。所有工作都完成了，我们来执行一下爬虫看一下效果；
scrapy crawl lg
刷新一下数据库：
现在我们就可以通过sql语言，进行简单的数据统计，如找出所有最低工资高于10000的招聘信息：
select * FROM info01 WHERE salary>10000
''' 作者：Veniendeavor 链接：https://www.jianshu.com/p/2cc8310a51c4 '''