scrapy爬虫数据存入mysql数据库

上篇博客使用scrapy框架爬取豆瓣电影top250信息将各种信息通过json存在文件中，不过对数据的进一步使用显然放在数据库中更加方便，这里将数据存入mysql数据库以便以后利用。 运行环境：

1. win7-64bit 2. python 3.5.3 3. mysql 5.7.17

安装mysql数据库模块

打开命令行输入python后，通过import MySQLdb检查是否支持mysql数据库

出现错误 ImportError: No module named MySQLdb 那么就要手动安装，查找发现mysqldb只支持到python3.4，这里选择使用pymysql，通过这里下载后解压，切换到PyMySQL3-0.5目录，通过shift+鼠标右键选择在此处打开命令窗口，输入命令python setup.py install安装

安装结束后，测试是否可以使用

安装成功！

创建数据库和表

由于上篇博客中爬取的数据属性就是对应的MovieItem属性

class MovieItem(scrapy.Item): # 电影名字 name = scrapy.Field() # 电影信息 info = scrapy.Field() # 评分 rating = scrapy.Field() # 评论人数 num = scrapy.Field() # 经典语句 quote = scrapy.Field() # 电影图片 img_url = scrapy.Field()

据此创建数据库表，创建数据库的时候加上DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci，以防出现乱码

create database douban DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci; use douban; CREATE TABLE doubanmovie ( name VARCHAR(100) NOT NULL, # 电影名字 info VARCHAR(150), # 电影信息 rating VARCHAR(10), # 评分 num VARCHAR(10), # 评论人数 quote VARCHAR(100), # 经典语句 img_url VARCHAR(100), # 电影图片 )

存储数据

首先在项目settings文件中添加与数据库连接相关的变量

MYSQL_HOST = 'localhost' MYSQL_DBNAME = 'douban' MYSQL_USER = 'root' MYSQL_PASSWD = '123456'

在MoviePipelines.py文件中创建类DBPipeline，在其中进行对数据库的操作。 首先连接数据库，获取cursor以便之后对数据就行增删查改

def __init__(self): # 连接数据库 self.connect = pymysql.connect( host=settings.MYSQL_HOST, db=settings.MYSQL_DBNAME, user=settings.MYSQL_USER, passwd=settings.MYSQL_PASSWD, charset='utf8', use_unicode=True) # 通过cursor执行增删查改 self.cursor = self.connect.cursor();

注意这里charset属性为 ‘utf8’，中间没有-，在调试过程中因为这个-搞了半天

之后重载方法process_item(self, item, spider)，在其中执行数据的增删查改，通过cursor编写sql语句，然后使用self.connect.commit()提交sql语句

def process_item(self, item, spider): try: # 插入数据 self.cursor.execute( """insert into doubanmovie(name, info, rating, num ,quote, img_url) value (%s, %s, %s, %s, %s, %s)""", (item['name'], item['info'], item['rating'], item['num'], item['quote'], item['img_url'])) # 提交sql语句 self.connect.commit() except Exception as error: # 出现错误时打印错误日志 log(error) return item

最后在settings文件中注册DBPipeline

ITEM_PIPELINES = { 'doubanmovie.MoviePipelines.MoviePipeline': 1, 'doubanmovie.ImgPipelines.ImgPipeline': 100, 'doubanmovie.MoviePipelines.DBPipeline': 10, }

大功告成后，尝试运行，然而爬取的数据是250条，在数据库存储中只有239条

查看出错日志，发现有以下错误

pymysql.err.ProgrammingError: (1064, "You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near '), 'https://img3.doubanio.com/view/movie_poster_cover/ipst/public/p2255040492.jp' at line 2") TypeError: 'module' object is not callable

又是半天折腾，忽然想起来电影的quote属性可能不存在，查看MySpider.py文件，发现果然如此

quote = movie.xpath('.//span[@class="inq"]/text()').extract() if quote: quote = quote[0].strip() item['quote'] = quote

如果网页中quote属性不存在，那么将item插入数据库时就会出错，增加一条else语句

if quote: quote = quote[0].strip() else: quote = ' ' item['quote'] = quote

再次运行爬虫后，查看数据库，没错，果然这次多了250条数据，数据总数由239变成489

数据查重处理

不过每次执行，重复数据都会多存一次，而我们想要的是多次执行，重复数据只存一遍就好了，那么就要增加查重处理。 这里使用self.cursor.fetchone()方法来判断有没有重复数据，在每次插入数据前，先判断插入item是否已在表中。通过属性img_url查找该item在表中是否存在，如果存在，执行定义的操作，简单起见，这里直接丢掉了，不过可以执行update语句对数据进行更新。

# 查重处理 self.cursor.execute( """select * from doubanmovie where img_url = %s""", item['img_url']) # 是否有重复数据 repetition = self.cursor.fetchone() # 重复 if repetition: pass

增加处理后，多次运行爬虫，数据库中不再有重复数据。

最后整个DBPipeline类代码如下

# 用于数据库存储 class DBPipeline(object): def __init__(self): # 连接数据库 self.connect = pymysql.connect( host=settings.MYSQL_HOST, port=3306, db=settings.MYSQL_DBNAME, user=settings.MYSQL_USER, passwd=settings.MYSQL_PASSWD, charset='utf8', use_unicode=True) # 通过cursor执行增删查改 self.cursor = self.connect.cursor(); def process_item(self, item, spider): try: # 查重处理 self.cursor.execute( """select * from doubanmovie where img_url = %s""", item['img_url']) # 是否有重复数据 repetition = self.cursor.fetchone() # 重复 if repetition: pass else: # 插入数据 self.cursor.execute( """insert into doubanmovie(name, info, rating, num ,quote, img_url) value (%s, %s, %s, %s, %s, %s)""", (item['name'], item['info'], item['rating'], item['num'], item['quote'], item['img_url'])) # 提交sql语句 self.connect.commit() except Exception as error: # 出现错误时打印错误日志 log(error) return item

基本的数据库存储功能算是实现了，虽然足够简单，不过在写的过程中也遇到很多坑，还是要不断百度google来处理遇到的问题。实现数据库存储之后，就可以多爬一些其他数据，然后合理运用一下，搞一些自己的小项目来玩一下