【Python3 爬虫学习笔记】数据存储 4 -- MySQL的存储
在Python 2 中，链接MySQL的库大多是使用MySQLdb，但是此库的官方并不支持Python 3，所以这里推荐使用的库是PyMySQL。
连接数据库
这里尝试连接一下数据库。假设当前的MySQL运行在本地，用户名为root，密码为root，运行端口为3306。这里利用PyMySQL，然后创建一个新的数据库，名字叫作spiders，代码如下：
import pymysql
db = pymysql.connect(host='localhost',user='root',password='root',port=3306)
cursor = db.cursor()
cursor.execute('SELECT VERSION()')
data = cursor.fetchone()
print('Database version:', data)
cursor.execute("CREATE DATABASE spiders DEFAULT CHARACTER SET utf8")
db.close()
运行结果如下：
Database version: ('5.7.14',)
这里通过PyMySQL的connect()方法声明一个MySQL连接对象db，此时需要传入MySQL运行的host（即IP）。由于MySQL在本地运行，所以传入的是localhost。如果MySQL在远程运行，则传入其公网IP地址。后续的参数user即用户名，password即密码，port即端口（默认为3306）。
连接成功后，需要再调用cursor()方法获得MySQL的操作游标，利用游标来执行SQL语句。这里我们执行了两句SQL，直接用execute()方法执行即可。第一句SQL用于获得MySQL的当前版本，然后调用fetchone()方法获得第一条数据，也就得到了版本号。第二句SQL执行创建数据库的操作，数据库名叫作spiders，默认编码为UTF-8。由于该语句不是查询语句，所以直接执行后就成功创建了数据库spiders。
创建表
一般来说，创建数据库的操作只需要执行一次就好了。当然，我们也可以手动创建数据库。
创建数据库后，再连接时需要额外指定一个参数db。
新创建一个数据表students，此时执行创建表的SQL语句即可。这里指定3个字段，结构如下：
| 字段名 | 含义 | 类型 |
|---|---|---|
| id | 学号 | varchar |
| name | 姓名 | varchar |
| age | 年龄 | int |
创建该表的示例代码如下：
import pymysql
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
sql = 'CREATE TABLE IF NOT EXISTS students (id VARCHAR(255) NOT NULL, name VARCHAR(255) NOT NULL, age INT NOT NULL, PRIMARY KEY (id))'
cursor.execute(sql)
db.close()
运行结果如图：
插入数据
假设爬取了一个学生信息，学号为20120001，名字为Bob，年龄为20，插入数据的示例如下：
import pymysql
id = '20120001'
user = 'Bob'
age = 20
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
sql = 'INSERT INTO students(id, name, age) values(%s, %s, %s)'
try:
cursor.execute(sql, (id,user, age))
db.commit()
except:
db.rollback()
db.close()
运行结果如图所示：
这里首先构造了一个SQL语句，其Value值没有用字符串拼接的方式来构造，如：
sql = 'INSERT INTO students(id, name, age) values(' + id + ', ' + name + ', ' + age + ')'
这样的写法烦琐而且不直观，所以我们选择直接用格式化符%s来实现。有几个Value写几个%s，我们只需要在execute()方法的第一个参数传入该SQL语句，Value值用统一的元组传递。这样的写法既可以避免字符串拼接的麻烦，又可以避免引号冲突的问题。
之后值得注意的是，需要执行db对象的commit()方法才可实现数据插入，这个方法才是真正将语句提交到数据库执行的方法。对于数据插入、更新、删除操作，都需要调用该方法才能生效。
接下来，我们加了一层异常。如果执行失败，则调用rollback()执行数据回滚，相当于什么都没有发生过。
这里涉及事务的问题。事务机制可以确保数据的一致性，也就是这件事要么发生了，要么没有发生。比如插入一条数据，不会存在插入一半的情况，要么全部插入，要么都不插入，这就是事务的原子性。另外，事务还有3个属性——一致性、隔离性和持久性。这4个属性通茶称为ACID特性，具体如表所示：
| 属性 | 解释 |
|---|---|
| 原子性(atomicity) | 事务是一个不可分割的工作单位，事务中包括的诸操作要么都做，要么都不做 |
| 一致性(consistency) | 事务必须使数据库从一个一致性状态变到另一个一致性状态。一致性与原子性是密切相关的 |
| 隔离性(isolation) | 一个事务的执行不能被其他事务干扰，即一个事务内部的操作及使用的数据对并发的其他事务是隔离的，并发执行的各个事务之间不能相互干扰 |
| 持久性(durability) | 持续性也称永久性(permanence)，指一个事务一旦提交，它对数据库中数据的改变就应该是永久性的。接下来的其他操作或故障不应该对其有任何影响 |
插入、更新和删除操作都是对数据库进行更改的操作，而改变操作都必须为一个事务，所以这些操作的标准写法就是：
try:
cursor.execute(sql)
db.commit()
except:
db.rollback()
这样便可以保证数据的一致性。这里的commit()和rollback()方法就为事务的实现提供了支持。
上面数据插入的操作是通过构造SQL语句实现的，但是很明显，这有一个及其不方便的地方，比如突然增加了性别字段gender，此时SQL语句就需要改成：
INSERT INTO students(id, name, age, gender) values(%s, %s, %s, %s)
相应的元组参数则需要改成：
(id, name, age, gender)
这显然不是我们想要的。在很多情况下，我们要达到的效果是插入方法无需改动，做成一个通用方法，只需要传入一个动态地字典就好了。比如，构造这样一个字典：
{
'id':'20120001',
'name':'Bob',
'age':20
}
然后SQL语句会根据字典动态构造，元组也动态构造，这样才能实现通用得插入方法。所以，这里我们需要改写一下插入方法：
import pymysql
data = {
'id':'20120002',
'name':'Baby',
'age':21
}
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
table = 'students'
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table=table, keys=keys, values=values)
try:
if cursor.execute(sql, tuple(data.values())):
print('Successful')
db.commit()
except:
print('Failed')
db.rollback()
db.close()
这里我们传入的数据是字典，并将其定义为data变量。表名也定义成变量table。接下来，就需要构造一个动态地SQL语句了。
首先，需要构造插入的字段id、name和age。这里只需要将data的键名拿过来，然后用逗号分隔即可。所以’, ‘.join(data.keys())的结果就是id,name,age，然后需要构造多个%s当作占位符，有几个字段构造几个即可。比如，这里有三个字段，就需要构造%s,%s,%s。这里首先定义了长度为1的数组[’%s’]，然后用乘法将其扩充为[’%s’, ‘%s’, ‘%s’]，再调用join()方法，最终变成%s,%s,%s。最后，我们再利用字符串的format()方法将表名、字段名和占位符构造出来。最终的SQL语句就被动态构造成了：
INSERT INTO students(id, name, age) values(%s, %s, %s)
最后，为execute()方法的第一个参数传入sql变量，第二个参数传入data的键值构造的元组，就可以成功插入数据了。
如此一来，我们便实现了传入一个字典来插入数据的方法，不需要再去修改SQL语句和插入操作了。
更新数据
数据更新操作实际上也是执行SQL语句，最简单的方式就是构造一个SQL语句，然后执行：
import pymysql
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
sql = 'UPDATE students SET age = %s WHERE name = %s'
try:
cursor.execute(sql, (25, 'Bob'))
db.commit()
except:
db.rollback()
db.close()
这里同样用占位符的方式构造SQL，然后执行execute()方法，传入元组形式的参数，同样执行commit()方法执行操作。如果要做简单的数据更新的话，完全可以使用此方法。
但是在实际的数据抓取过程中，大部分情况下需要插入数据，但是我们关心的是会不会出现重复数据，如果出现了，我们希望更新数据而不是重复保存一次。另外，就像前面所说的动态构造SQL的问题，所以这里可以再实现一种去重的方法，如果数据存在，则更新数据；如果数据不存在，则插入数据。另外，这种做法支持灵活的字典传值。示例如下：
import pymysql
data = {
'id':'20120001',
'name':'Bob',
'age':21
}
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
table = 'students'
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table=table, keys=keys, values=values)
update = ','.join([" {key} = %s".format(key=key) for key in data])
sql += update
try:
if cursor.execute(sql, tuple(data.values())*2):
print('Successful')
db.commit()
except:
print('Failed')
db.rollback()
db.close()
这里构造的SQL语句其实是插入语句，但是我们在后面加了ON DUPLICATE KEY UPDATE。这行代码的意思是如果主键已经存在，就执行更新操作。比如，我们传入的数据id仍然为20120001，但是年龄有所变化，由20变成了21，此时这条数据不会被插入，而是直接更新id为20120001的数据。完整的SQL构造出来是这样的：
INSERT INTO students(id, name, age) VALUES (%s, %s, %s) ON DUPLICATE KEY UPDATE id = %s, name= %s, age = %s
这里就变成了6个%s。所以在后面的execute()方法的第二个参数就需要乘以2变成原来的2倍。
如此一来，我们就可以实现主键不存在便插入数据，存在则更新数据的功能了。
删除数据
删除数据相对简单，直接使用DELETE语句即可，只是需要制定要删除的目标表名和删除条件，而且仍然需要使用db的commit()方法才能生效。示例如下：
import pymysql
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
table = 'students'
condition = 'age > 20'
sql = 'DELETE FROM {table} WHERE {condition}'.format(table=table, condition=condition)
try:
cursor.execute(sql)
db.commit()
except:
db.rollback()
db.close()
因为删除条件有多种多样，运算符有大于、小于、等于、LIKE等，条件连接符有AND、OR等，所以不再继续构造复杂的判断条件。这里直接将条件当作字符串来传递，以实现删除操作。
查询数据
查询会用到SELECT语句，示例如下：
import pymysql
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
sql = 'SELECT * FROM students WHERE age >= 20'
try:
cursor.execute(sql)
print('Count:', cursor.rowcount)
one = cursor.fetchone()
print('One:', one)
results = cursor.fetchall()
print('Results:', results)
print('Results Type:', type(results))
for row in results:
print(row)
except:
print('Error')
运行结果如下：
Count: 2
One: ('20120001', 'Bob', 24)
Results: (('20120003', 'Bob', 24),)
Results Type: <class 'tuple'>
('20120003', 'Bob', 24)
这里我们构造了一条SQL语句，将年龄20岁以上的学生查询处理，然后将其传给execute()方法。注意，这里不再需要db的commit()方法。接着，调用cursor的rowcount属性获取查询结果的条数，当前示例中是2条。
然后我们调用了fetchone()方法，这个方法可以获取结果的第一条数据，返回结果是元组形式，元组的元素顺序跟字段一一对应，即第一个元素就是第一个字段id，第二个元素就是第二个字段name，以此类推。随后，我们又调用了fetchall()方法，它可以得到结果的所有数据。然后将其结果和类型打印出来，它是二重元组，每个元素都是一条记录，我们将其遍历输出出来。
fetchall()方法内部实现有一个偏移指针用来指向查询结果，最开始偏移指针指向第一条数据，取一次之后，指针偏移到下一条数据，这样再取的话，就会取到下一条数据了。
此外，我们还可以用while循环加fetchone()方法来获取所有数据，而不是用fetchall()全部一起获取出来。fetchall()会将结果以元组形式全部返回，如果数据量很大，name占用的开销会非常高。因此，推荐使用如下方法来逐条取数据：
import pymysql
db = pymysql.connect(host='localhost', user='root', password='root', port=3306, db='spiders')
cursor = db.cursor()
sql = 'SELECT * FROM students WHERE age >= 20'
try:
cursor.execute(sql)
print('Count:', cursor.rowcount)
row = cursor.fetchone()
while row:
print('Row:', row)
row = cursor.fetchone()
except:
print('Error')
这样美循环一次，指针就会偏移一条数据，随用随取，简单高效。