Python爬虫-Scrapy框架（三）- 爬虫数据入库

写在前面

之前，我们已经获取到了想要爬取的数据，现在想要将其存储在数据库中，在这里选择SQLite数据库。这一部分主要是爬虫数据入库的内容。这里的内容承接上一篇文章。

爬虫数据入库

创建数据库

这里选择ipython作为交互式命令工具，其相比于python自带的交互式命令模式使用更加方便。打开PyCharm中的Terminal终端，通过命令 ipython 进入ipython工具。

成功进入之后，首先导入SQLite。
In [1]: import sqlite3
接下来连接数据库，如果这里要连接的数据库名称不存在，则会自动创建该数据库。
In [2]: blog = sqlite3.connect(“blog.sqlite”)
数据应该被保存在数据库的表格中，接下来在数据库中创建表格，同样采用sqlite命令。
In [3]: create_table = “create table blog (num varchar(128))”
现在直接通过sqlite语言命令执行刚才建立的命令。
In [4]: blog.execute(create_table)
提示cursor。
Out[4]:

最后通过命令 exit 断开。在工程文件里会出现sqlite文件，将其拖动至Database工作区，可以打开该sqlite文件。

稍等一段时间后，可以找到已经创建好的数据库以及数据库中的num表格。

SQLite显示异常处理

在新安装的PyCharm中可能会出现一种异常，将新建好的blog.sqlite拖动到Database打开后会发现名字下面出现波浪线，显然这是一个错误提示。点击下拉按钮，发现其中并没有出现刚刚创建的表格，这是由于我们需要下载一些东西来支持SQLite。

这里我们并不需要自己去寻找缺失的文件，可以采用这种方式直接安装。点击新建按钮，在选项中选择SQLite。

这里会发现在左下角出现了感叹号，提示missing driver files，我们直接点击Download，待下载完成时，点击Apply，会发现波浪线消失，同时我们也可以在下属目录中找到创建好的blog。

启用管道文件

之前我们在csdn_sun.py爬虫文件中编写的爬虫只是用来获得数据，并不能完成将获得的数据存入到数据库中的工作。所有获得的数据是在pipelines.py管道文件中进行清理和入库工作，接下来开始设置爬虫管道启用以及添加到整个爬虫工程中。

打开pipelines.py文件，找到类名，此处为CsdnSunPipeline。

打开settings.py文件，找到ITEM_PIPELINES，将其取消注释，并检查其中的类名是否替换为刚才在管道文件中确定的类名CsdnSunPipeline，修改后的代码如下。

ITEM_PIPELINES = {
    'csdn_sun.pipelines.CsdnSunPipeline': 300,
}

我们如何连接爬虫文件与管道文件呢？ 在Scrapy框架中，我们必须通过items.py文件中的类，才可以将爬虫文件与管道文件连接起来实现相应功能，因此在这里要修改items.py文件以及之前的csdn_sun.py文件。

在items.py文件中修改CsdnSunItem类，代码如下。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class CsdnSunItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    num = scrapy.Field()
    # pass

在csdn_sun.py文件中导入CsdnSunItem，创建一个类的实例，将获取的数据赋值给该实例，代码如下。

import scrapy
from ..items import CsdnSunItem


class BlogSpider(scrapy.Spider):
    name = "blog"
    start_urls = ['https://blog.csdn.net/sunzhihao_future']

    def parse(self, response):
        print(response)
        csdn = CsdnSunItem()
        num_list = response.xpath("/html/body[@class='nodata ']/div[@id='mainBox']/main"
                                  "/div[@class='article-list']/div[@class='article-item-box csdn-tracking-statistics']"
                                  "/div[@class='info-box d-flex align-content-center']/p[3]"
                                  "/span[@class='read-num']/span[@class='num']/text()").extract()
        for i in num_list:
            csdn['num'] = i
            yield csdn
            # print(i)

数据入库

接下来继续添加代码，实现将管道文件中数据存储至数据库的这一部分功能。
打开pipelines.py管道文件，导入sqlite3，随后添加以下函数：
open_spider - 爬虫启动时执行该函数，将管道文件连接SQLite数据库。
spider_close - 爬虫结束时执行该函数，关闭数据库。
接下来修改以下函数：
process_item - 该函数将爬虫获得的数据，即在items.py文件中的item调入到管道文件中。这里首先定义插入语句，将数据插入到表格；采用execute语句来执行insert_sql命令。此外，数据库的插入和更新操作后需要提交操作。

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import sqlite3


class CsdnSunPipeline(object):
    def open_spider(self, spider):
        self.con = sqlite3.connect("blog.sqlite")
        self.cu = self.con.cursor()

    def process_item(self, item, spider):
        print(spider.name, 'pipelines')
        insert_sql = "insert into blog (num) values ('{}')".format(item['num'], " ")
        print(insert_sql)
        self.cu.execute(insert_sql)
        self.con.commit()
        return item

    def spider_close(self, spider):
        self.con.close()

问题与解决

关闭整个项目，重新打开项目文件时，打开Terminal终端通过scrapy crawl blog执行爬虫时报错如下：

C:\Users\Lenovo\Desktop>scrapy crawl blog
Scrapy 1.4.0 - no active project
Unknown command: crawl
Use “scrapy” to see available commands

这里通常是因为目录位置错误，可以通过cd命令前往爬虫项目所在的文件夹，以此处为例，即进入C:\Users\Lenovo\Desktop\Scrapy\csdn_sun根目录后，重新执行命令，即可解决此报错。

到这里，已经简单的接触到了数据库的内容，同时对于一些管道文件中的代码的掌握还不够，相信会在后面的学习中不断深入理解。接下来将进入内置爬虫类型的学习。