Scrapy和MongoDB的应用

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取Web站点并从页面中提取结构化的数据.它最吸引人的地方在于任何人都可以根据需求方便的修改。

MongoDB是现下非常流行的开源的非关系型数据库(NoSql),它是以“key-value”的形式存储数据的,在大数据量、高并发、弱事务方面都有很大的优势。

当Scrapy与MongoDB两者相碰撞会产生怎样的火花呢?与MongoDB两者相碰撞会产生怎样的火花呢?现在让我们做一个简单的爬取小说的TEST

1.安装Scrapy

pip install scrapy

2.下载安装MongoDB和MongoVUE可视化

[MongoDB下载地址](https://www.mongodb.org/)

下载安装的步骤略过,在bin目录下创建一个data文件夹用来存放数据的。

[MongoVUE下载地址](http://www.mongovue.com/)

安装完成后我们需要创建一个数据库。

3.创建一个Scrapy项目

scrapy startproject novelspider

目录结构:其中的novspider.py是需要我们手动创建的(contrloDB不需要理会)

4.编写代码

目标网站: http://www.daomubiji.com/

settings.py

BOT_NAME = ‘novelspider‘

SPIDER_MODULES = [‘novelspider.spiders‘]
NEWSPIDER_MODULE = ‘novelspider.spiders‘

ITEM_PIPELINES = [‘novelspider.pipelines.NovelspiderPipeline‘]  #导入pipelines.py中的方法

USER_AGENT = ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:39.0) Gecko/20100101 Firefox/39.0‘
COOKIES_ENABLED = True

MONGODB_HOST = ‘127.0.0.1‘
MONGODB_PORT = 27017
MONGODB_DBNAME = ‘zzl‘    #数据库名
MONGODB_DOCNAME = ‘Book‘   #表名

pipelines.py

from scrapy.conf import settings
import pymongo
class NovelspiderPipeline(object):
	def __init__(self):
		host = settings[‘MONGODB_HOST‘]
		port = settings[‘MONGODB_PORT‘]
		dbName = settings[‘MONGODB_DBNAME‘]
		client = pymongo.MongoClient(host=host, port=port)
		tdb = client[dbName]
		self.post = tdb[settings[‘MONGODB_DOCNAME‘]]
	def process_item(self, item, spider):
		bookInfo = dict(item)
		self.post.insert(bookInfo)
		return item

items.py

from scrapy import Item,Field
class NovelspiderItem(Item):
	# define the fields for your item here like:
	# name = scrapy.Field()
	bookName = Field()
	bookTitle = Field()
	chapterNum = Field()
	chapterName = Field()
	chapterURL = Field()

在spiders目录下创建novspider.py

from scrapy.spiders import CrawlSpider
from scrapy.selector import Selector
from novelspider.items import NovelspiderItem
class novSpider(CrawlSpider):
	name = "novspider"
	redis_key = ‘novspider:start_urls‘
	start_urls = [‘http://www.daomubiji.com/‘]
	def parse(self,response):
		selector = Selector(response)
		table = selector.xpath(‘//table‘)
		for each in table:
			bookName = each.xpath(‘tr/td[@colspan="3"]/center/h2/text()‘).extract()[0]
			content = each.xpath(‘tr/td/a/text()‘).extract()
			url = each.xpath(‘tr/td/a/@href‘).extract()
			for i in range(len(url)):
				item = NovelspiderItem()
				item[‘bookName‘] = bookName
				item[‘chapterURL‘] = url[i]
				try:
					item[‘bookTitle‘] = content[i].split(‘ ‘)[0]
					item[‘chapterNum‘] = content[i].split(‘ ‘)[1]
				except Exception,e:
					continue
				try:
					item[‘chapterName‘] = content[i].split(‘ ‘)[2]
				except Exception,e:
					item[‘chapterName‘] = content[i].split(‘ ‘)[1][-3:]
				yield item

5.启动项目命令: scrapy crawl novspider.

抓取结果

时间: 2024-12-30 11:53:59

Scrapy和MongoDB的应用的相关文章

Scrapy和MongoDB的应用---爬取

Scrapy是Python开发的一个快速.高层次的屏幕抓取和web抓取框架,用于抓取Web站点并从页面中提取结构化的数据.它最吸引人的地方在于任何人都可以根据需求方便的修改. MongoDB是现下非常流行的开源的非关系型数据库(NoSql),它是以“key-value”的形式存储数据的,在大数据量.高并发.弱事务方面都有很大的优势. 当Scrapy与MongoDB两者相碰撞会产生怎样的火花呢?与MongoDB两者相碰撞会产生怎样的火花呢?现在让我们做一个简单的爬取小说的TEST 1.安装Scra

Scrapy+BeautifulSoup+MongoDB 高性能数据采集方案(Chapter 1st)

运行环境 CentOS7.3 + Python2.7 + Scrapy1.3 + MongoDB3.4 + BeautifulSoup4.6 编程工具 PyCharm + Robomongo + Xshell 请确保你的 python版本为2.7.5以上 版本强烈推荐直接[翻 墙 安 装],简单轻松 yum install gcc libffi-devel python-devel openssl-devel pip install scrapy 如果提示以下错误 AttributeError:

利用scrapy和MongoDB来开发一个爬虫

今天我们利用scrapy框架来抓取Stack Overflow里面最新的问题(问题标题和网址),并且将这些问题保存到MongoDb当中,直接提供给客户进行查询. 安装 在进行今天的任务之前我们需要安装二个框架,分别是Scrapy (1.1.0)和pymongo (3.2.2). scrapy 如果你运行的的系统是osx或者linux,可以直接通过pip进行安装,而windows需要另外安装一些依赖,因为电脑的原因不对此进行讲解. $ pip install Scrapy 一旦安装完成之后你可以直

Python下用Scrapy和MongoDB构建爬虫系统(1)

本文由 伯乐在线 - 木羊 翻译,xianhu 校稿.未经许可,禁止转载!英文出处:realpython.com.欢迎加入翻译小组. 这篇文章将根据真实的兼职需求编写一个爬虫,用户想要一个Python程序从Stack Overflow抓取数据,获取新的问题(问题标题和URL).抓取的数据应当存入MongoDB.值得注意的是,Stack Overflow已经提供了可用于读取同样数据的API.但是用户想要一个爬虫,那就给他一个爬虫. 像往常一样,在开始任何抓取工作前,一定要先查看该网站的使用/服务条

scrapy连接MongoDB

Scrapy中连接MongoDB所需要做的工作如下: 1.settings中需要设置的部分: # 启动管道组件 ITEM_PIPELINES = { 'QianChengWuYu.mongoDBPiplelines.MongoDBPipline': 300, } # MonDB的连接参数 MONGODB_URI = 'mongodb://localhost:27017' MONGODB_DB_NAME = 'scrapy_db' (1)其中ITEM_PIPELINES中设置的是QianCheng

scrapy+mongodb

我们都知道scrapy适合爬取大量的网站信息,爬取到的信息储存到数据库显然需要更高的效率,scrapy配合mongodb是非常合适的,这里记录一下如何在scrapy中配置mongodb. 文件结构 $ scrapy startproject myscrapy 当我们创建一个scrapy工程的时候,scrapy会自动给我们创建目录结构,像下面这样: ├── scrapy.cfg └── myscrapy ├── __init__.py ├── items.py ├── pipelines.py ├

python3下scrapy爬虫(第十一卷:scrapy数据存储进mongodb)

说起python爬虫数据存储就不得不说到mongodb,现在我们来试一下scrapy操作mongodb 首先开启mongodb mongod --dbpath=D:\mongodb\db 开启服务后就可以进行使用, 还是接着上一卷在上进行修改: 来看下结果: 看到没有爬虫的完善就像个公式,不断嵌套 原文地址:https://www.cnblogs.com/woshiruge/p/8407057.html

python 第二周(第十一天) 我的python成长记 一个月搞定python数据挖掘!(19) -scrapy + mongo

mongoDB 3.2之后默认是使用wireTiger引擎 在启动时更改存储引擎: mongod --storageEngine mmapv1 --dbpath d:\data\db 这样就可以解决mongvue不能查看文档的问题啦! 项目流程(步骤): 前去准备(安装scrapy pymongo mongodb ) 1. 生成项目目录: scrapy startproject  stack 2.itmes from scrapy import Item,Field class StackIte

分布式爬虫:使用Scrapy抓取数据

分布式爬虫:使用Scrapy抓取数据 Scrapy是Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. 官方主页: http://www.scrapy.org/ 中文文档:Scrapy 0.22 文档 GitHub项目主页:https://github.com/scrapy/scrapy Scrapy 使用了 Twisted 异步网络库来处理网络通讯.整体架构大致如下(注:图片来自