前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >data pipeline是做什么_pycharm创建爬虫项目

data pipeline是做什么_pycharm创建爬虫项目

作者头像
全栈程序员站长
发布2022-10-05 11:02:37
发布2022-10-05 11:02:37
42300
代码可运行
举报
运行总次数:0
代码可运行

大家好,又见面了,我是你们的朋友全栈君。

爬取爱套图网图片:https://github.com/EExplode/scrapy_aitaotu

一.保存至MongoDB

代码语言:javascript
代码运行次数:0
运行
复制
import pymongo
class MongoPipeline(object):
# 初始化参数
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
# 以依赖注入的方式获取settings.py中的配置信息
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DB')
)
# Spider开启时,初始化数据库连接
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
# 将item插入MongoDB,集合定义在item中
def process_item(self, item, spider):
self.db[item.collection].insert(dict(item))
return item
# Spider结束后,关闭数据库连接
def close_spider(self, spider):
self.client.close()

二.保存至MySQL

代码语言:javascript
代码运行次数:0
运行
复制
import pymysql
class MysqlPipeline(object):
def __init__(self, host, database, user, password, port):
self.host = host
self.database = database
self.user = user
self.password = password
self.port = port
@classmethod
def from_crawler(cls, crawler):
return cls(
host=crawler.settings.get('MYSQL_HOST'),
database=crawler.settings.get('MYSQL_DATABASE'),
user=crawler.settings.get('MYSQL_USER'),
password=crawler.settings.get('MYSQL_PASSWORD'),
port=crawler.settings.get('MYSQL_PORT'),
)
def open_spider(self, spider):
self.db = pymysql.connect(self.host, self.user, self.password, self.database, charset='utf8', port=self.port)
self.cursor = self.db.cursor()
def close_spider(self, spider):
self.db.close()
def process_item(self, item, spider):
data = dict(item)
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'insert into %s (%s) values (%s)' % (item.table, keys, values)
self.cursor.execute(sql, tuple(data.values()))
self.db.commit()
return item

三.图片下载管道

代码语言:javascript
代码运行次数:0
运行
复制
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
from scrapy import Request
import re
class ImagePipeline(ImagesPipeline):
# 返回文件名及其相对路径
# 'https://img.aitaotu.cc:8089/Pics/2020/0115/22/04.jpg'
# '/Pics/2020/0115/22/04.jpg'
def file_path(self, request, response=None, info=None):
return re.search('(.*)8089(.*)', request.url).group(2)
# 若下载失败,则抛出异常
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem('Image Downloaded Failed')
return item
# 设置请求头,下载图片
def get_media_requests(self, item, info):
headers = { 

"Referer": item['referer'],
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
}
yield Request(item['image'], headers=headers)

四.其他文件

items.py

代码语言:javascript
代码运行次数:0
运行
复制
import scrapy
class AitaotuItem(scrapy.Item):
collection = table = 'images'
# 图片链接
image = scrapy.Field()
# 图片链接请求头关键参数,不然下载出现404
referer = scrapy.Field()
# 图片名称
image_name = scrapy.Field()

settings.py

代码语言:javascript
代码运行次数:0
运行
复制
ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 0.5
ITEM_PIPELINES = { 

'Aitaotu.pipelines.ImagePipeline': 300,
'Aitaotu.pipelines.MongoPipeline': 301,
'Aitaotu.pipelines.MysqlPipeline': 302,
}
# 图片管道配置
IMAGES_STORE = './images'
# mongodb配置
MONGO_URI = 'localhost'
MONGO_DB = 'aitaotu'
# msyql配置
MYSQL_HOST = 'localhost'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWORD = '123456'
MYSQL_DATABASE = 'aitaotu'

五.Feed 导出

代码语言:javascript
代码运行次数:0
运行
复制
scrapy crawl aitaotu -o images.json
scrapy crawl aitaotu -o images.jsonlines
scrapy crawl aitaotu -o images.csv
scrapy crawl aitaotu -o images.xml

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年9月14日 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一.保存至MongoDB
  • 二.保存至MySQL
  • 三.图片下载管道
  • 四.其他文件
  • 五.Feed 导出
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档