这篇文章主要讲解了“Scrapy怎么将数据保存到Excel和MySQL中”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“Scrapy怎么将数据保存到Excel和MySQL中”吧!
Scrapy是一个用Python实现的为了爬取网站数据、提取数据的应用框架。我们对于爬取到的数据存储到本地或数据库是经常要用到的操作。主要讲解两种保存方式:
Excel
MySQL
说明一下爬取到的数据:
爬取豆瓣读书top250网页的相关信息:
书名title、链接link、国家country、作者author、翻译者translator、出版社publisher、出版时间time、价格price、星级star、评分score、评分人数people、简介comment
1. Excel
主要讲解两种方式:
openpyxl
和pandas
1.1 openpyxl
class ExcelPipeline:
def __init__(self):
# 创建Excel文件
self.wb = Workbook()
# 选取第一个工作表
self.ws = self.wb.active
# 写入表头
self.ws.append(['title', 'link', 'country',
'author', 'translator', 'publisher',
'time', 'price', 'star', 'score',
'people', 'comment'
])
def process_item(self, item, spider):
self.ws.append([
item.get('title', ''),
item.get('link', ''),
item.get('country', ''),
item.get('author', ''),
item.get('translator', ''),
item.get('publisher', ''),
item.get('time', ''),
item.get('price', ''),
item.get('star', ''),
item.get('score', ''),
item.get('people', ''),
item.get('comment', '')
])
return item
def close_spider(self, spider):
self.wb.save('result.xlsx')
1.1.1 代码说明
ExcelPipeline 继承自 Scrapy 的 Pipeline 类,并重写了三个方法:
__init__()
、process_item()
和 close_spider()
。在
__init__()
方法中:创建了一个 Excel 文件,并选取了第一个工作表。然后,我们写入了表头。
当然你也可以将这部分代码写在
方法中open_spider
在
process_item()
方法中,我们将每一行的数据写入到工作表中。
process_item
方法:不会覆盖之前已经写入的数据,它会在数据末尾追加新的行。
-
你调用多次
方法,每次都会在表格的末尾追加一行新数据。process_item
在
close_spider()
方法中,我们保存 Excel 文件。1.1.2 注意
可以发现我在
process_item()
方法中使用了item.get(key, default)
:考虑可能存在某些 item 中没有某些键值的情况,这可能会导致程序出错。
当然如果你已经进行过数据处理也可以直接用
item[key]
。使用了
item.get(key, default)
方法来获取 item
中的键值,如果某个键不存在,则返回一个空字符串 ''
在 Scrapy 中,
是一个字典类型,它由一系列键值对组成,每个键值对表示一个字段。在处理item
时,我们通常需要从中获取某个字段的值。使用字典的item
方法可以方便地实现这个功能。get
方法有两个参数:get
表示要获取的键,key
表示键不存在时的默认值。例如:default
1.2 pandas
class ExcelPipeline:
def __init__(self):
# 创建一个空的数据框
self.df = pd.DataFrame(columns=['title', 'link', 'country',
'author', 'translator', 'publisher',
'time', 'price', 'star', 'score',
'people', 'comment'
])
def process_item(self, item, spider):
# 将数据添加到数据框中
item['title'] = item.get('title', '')
item['link'] = item.get('link', '')
item['country'] = item.get('country', '')
item['author'] = item.get('author', '')
item['translator'] = item.get('translator', '')
item['publisher'] = item.get('publisher', '')
item['time'] = item.get('time', '')
item['price'] = item.get('price', '')
item['star'] = item.get('star', '')
item['score'] = item.get('score', '')
item['people'] = item.get('people', '')
item['comment'] = item.get('comment', '')
series = pd.Series(item)
self.df = self.df.append(series, ignore_index=True)
return item
def close_spider(self, spider):
# 将数据框保存到 Excel 文件中
self.df.to_excel('result.xlsx', index=False)
1.2.1 代码说明
定义了一个
ExcelPipeline
类,它包含了三个方法:__init__
、process_item
和 close_spider
。-
方法用于初始化类实例__init__
-
方法用于处理每个爬取到的 item,将其添加到process_item
列表中items
-
方法用于在爬虫关闭时将close_spider
列表中的数据保存到 Excel 文件中。items
1.2.2 常见错误
在代码中有大量的
item['title'] = item.get('title', '')
类似代码你可以选择不写,但如果item中有一些字段的值为None,而pandas不支持将None类型的值添加到DataFrame中,会导致程序错误。这一点比openpyxl要严格的多。
字典对象转换为Series对象
self.df
是一个DataFrame对象,而item
是一个字典对象。因此,需要将字典对象转换为Series对象,然后再将其添加到DataFrame中。series = pd.Series(item)
self.df = self.df.append(series, ignore_index=True)
only Series and DataFrame objs are valid
这个错误一般就是发生在使用Pandas将数据转换成DataFrame时,传入的参数不是Series或DataFrame类型。上面的代码就是用来避免这个问题的。
1.3 openpyxl和pandas对比
pandas和openpyxl都是非常强大的Python数据处理库,两者在不同的场景下可以发挥出各自的优势。
如果需要处理大量的Excel文件,需要对文件进行复杂的操作,比如格式化、图表等,那么openpyxl可能更适合,因为它专注于Excel文件的读写和操作,具有更高的灵活性和控制力。
如果数据已经在Python中,且需要进行各种统计分析和处理,如数据聚合、数据透视表、数据分组、数据清洗、数据可视化等,那么pandas可能更适合,因为它提供了丰富的数据处理工具和函数。
总的来说,两者都是很好的工具,具体使用哪一个取决于具体需求和场景。
2. MYSQL
可以使用Python的MySQL驱动程序,例如
mysql-connector-python
或 pymysql
。主要将pymysql。class MySQLPipeline:
def __init__(self):
# 连接 MySQL 数据库
self.conn = pymysql.connect(
host='localhost',
port=3306,
user='root',
password='your_password',
database='your_database',
charset='utf8mb4',
cursorclass=pymysql.cursors.DictCursor
)
# 创建一个游标对象
self.cursor = self.conn.cursor()
# 创建表
self.create_table()
def create_table(self):
# SQL 语句:创建数据表
sql = '''CREATE TABLE IF NOT EXISTS `book` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`title` varchar(255) NOT NULL,
`link` varchar(255) NOT NULL,
`country` varchar(255) NOT NULL,
`author` varchar(255) NOT NULL,
`translator` varchar(255) NOT NULL,
`publisher` varchar(255) NOT NULL,
`time` varchar(255) NOT NULL,
`price` varchar(255) NOT NULL,
`star` varchar(255) NOT NULL,
`score` varchar(255) NOT NULL,
`people` varchar(255) NOT NULL,
`comment` varchar(255) NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci'''
# 执行 SQL 语句
self.cursor.execute(sql)
# 提交事务
self.conn.commit()
def process_item(self, item, spider):
# SQL 语句:插入数据
sql = '''INSERT INTO `book` (
`title`, `link`, `country`,
`author`, `translator`, `publisher`,
`time`, `price`, `star`, `score`,
`people`, `comment`
) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)'''
# 执行 SQL 语句
self.cursor.execute(sql, (
item['title'], item['link'], item['country'],
item['author'], item['translator'], item['publisher'],
item['time'], item['price'], item['star'], item['score'],
item['people'], item['comment']
))
# 提交事务
self.conn.commit()
return item
def close_spider(self, spider):
# 关闭游标对象
self.cursor.close()
# 关闭数据库连接
self.conn.close()
2.1 代码说明
我们创建了一个名为
MySQLPipeline
的自定义ScrapyPipeline。
__init__
方法中接收了MySQL数据库的配置信息。其中还调用了
create_table
,当然如果保证表已经存在,也没有必要这么写如果你嫌每次连接都要写信息的话,可以在setting.py中定义MySQL相关变量:
create_table
方法创建表book
process_item
方法用于将抓取的数据插入到数据库表中。
close_spider
方法用于关闭游标和连接。2.2 pymysql介绍
2.2.1 游标对象
在Python中,连接数据库时需要创建一个数据库连接对象,然后通过这个连接对象创建一个游标对象。
游标对象是执行数据库操作的主要对象,它负责向数据库发送查询和获取结果。
在Python中,常用的游标对象有
Cursor
、DictCursor
、SSCursor
等。-
:普通游标(默认),返回结果为元组类型。Cursor
-
:字典游标,返回结果为字典类型。DictCursor
-
:嵌套游标,可用于处理大数据集。SSCursor
在获取大量数据时效率比普通游标更高,但是会占用更多的系统资源。
与普通游标相比,嵌套游标不会将整个查询结果读入内存,而是每次只读取部分数据。
根据需要,选择不同类型的游标对象可以方便我们对返回结果进行处理。
2.2.2 各种游标说明
创建连接对象时有这么一段代码:
cursorclass=pymysql.cursors.DictCursor
用于设置游标返回的数据类型,默认返回的是元组(tuple)类型,设置为DictCursor后可以返回字典(dict)类型,更方便处理数据。一般使用普通游标就行了
三种游标主要是在查询时的方式存在区别:
cur = conn.cursor()
cur.execute('SELECT * FROM my_table')
result = cur.fetchone() # 获取一条记录,返回的是元组类型
# 普通游标
print(result[0]) # 访问第一个字段的值
# 字典游标
print(result['id']) # 访问数据库中字段名为 id 的字段的值,{'id': 1, 'name': 'Alice'}
# 嵌套游标
print(result[0]) # 访问第一个字段的值
如果是查询的多条数据,则返回的是元组或字典组成的列表:
# 普通游标
[(1, 'John', 'Doe'), (2, 'Jane', 'Doe'), (3, 'Bob', 'Smith')]
# 字典游标
[{'id': 1, 'first_name': 'John', 'last_name': 'Doe'}, {'id': 2, 'first_name': 'Jane', 'last_name': 'Doe'}, {'id': 3, 'first_name': 'Bob', 'last_name': 'Smith'}]
3. 特别说明
每个item在被提交给管道时都会调用一次管道类的
process_item
方法。每个item都会经过
process_item
方法进行处理,而open_spider
和close_spider
方法只会在爬虫启动和结束时执行一次。在Scrapy中,可以通过在管道类的
open_spider
和close_spider
方法中建立和关闭数据库连接,以减少连接建立和关闭的次数。
__init__
方法也是只在Spider启动时只执行一次具体做法是,在
open_spider
方法中建立数据库连接,在process_item
方法中使用连接对数据进行存储操作,在close_spider
方法中关闭连接。这样做可以有效减少连接的建立和关闭次数,提高爬取效率。如果你在
open_spider
方法中创建了数据库连接,那么这个连接将会被共享并被多个process_item
方法使用。同样的,如果在
close_spider
方法中关闭了数据库连接,那么这个连接也会被所有的process_item
方法共享并在爬虫结束时关闭。这种做法可以减少不必要的连接和关闭操作,从而提高性能。