1. 首页
  2. 技术杂文
  3. Scrapy怎么将数据保存到Excel和MySQL中

Scrapy怎么将数据保存到Excel和MySQL中

作者：有用网 阅读量：177 发布时间：2024-01-09
关键字 Mysql
本文地址： https://www.cnuseful.com/detail?id=1092

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

      open_spider
      方法中

    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 

      process_item
      方法，每次都会在表格的末尾追加一行新数据。

    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，

    item
    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 
    get
    方法可以方便地实现这个功能。

    get
    方法有两个参数：
    key
    表示要获取的键，
    default
    表示键不存在时的默认值。例如：

    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
    。

    • __init__
      方法用于初始化类实例

    • process_item
      方法用于处理每个爬取到的 item，将其添加到 
      items
      列表中

    • close_spider
      方法用于在爬虫关闭时将 
      items
      列表中的数据保存到 Excel 文件中。

    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：

    Scrapy怎么将数据保存到Excel和MySQL中

    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。

    • Cursor
      ：普通游标（默认），返回结果为元组类型。

    • DictCursor
      ：字典游标，返回结果为字典类型。

    • SSCursor
      ：嵌套游标，可用于处理大数据集。

    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。

    #发表评论
    提交评论
    文章更多
    年轻时你尽情放肆吧，以后你就知道，放肆的后果了。