Scrapy——数据持久化存储

2023年10月10日 277次阅读 来源: 小镇夜里海棠花未眠

本文首发于我的博客：gongyanli.com

前言：本文主要讲解Scrapy的数据持久化，主要包括存储到数据库、json文件以及内置数据存储

持久化存储——JSON

pipelins.py

`import json
 from scrapy.exceptions import DropItem
 class myPipeline(object):
    def __init__(self):
        self.file=open('test.json','wb')
    
    def process_item(self,item,spider):
        if item['title']:
            line=json.dumps(dict(item))+'\n'
            self.file.write(line)
            return item
        else:
            raise DropItem("Missing title in %s" % item)`

持久化存储——MongoDB数据库

`class myPipeline(object):
 def __init__(self):
    self.client = pymongo.MongoClient(host=settings['MONGO_HOST'], port=settings['MONGO_PORT'])
    self.db = self.client[settings['MONGO_DB']]
    # self.coll = self.db[settings['MONGO_COLL2']]
    self.chinacwa = self.db['chinacwa']
    self.iot = self.db['iot']
    self.ny135 = self.db['ny135']
    self.productprice = self.db['productprice']
    self.allproductprice = self.db['allproductprice']

 def process_item(self, item, spider):
    if isinstance(item, ChinacwaItem):
        try:
            if item['article_title']:
                item = dict(item)
                self.chinacwa.insert(item)
                print("插入成功")
                return item
        except Exception as e:
            spider.logger.exceptionn("")`

持久化存储——内置数据存储

settings

1.JSON
> FEED_FORMAT:json
> 所用的内置输出类：JsonItemExporter

2.JSON lines
> FEED_FORMAT:jsonlines
> 所用的内置输出类：JsonLinesItemExporter

3.CSV
> FEED_FORMAT:csv
> 所用的内置输出类：CsvItemExporter

4.XML
> FEED_FORMAT:xml
> 所用的内置输出类：XmlItemExporter

5.Pickle
> FEED_FORMAT:pickle
> 所用的内置输出类：PickleItemExporter

6.Marshal
> FEED_FORMAT:marshal
> 所用的内置输出类：MarshalItemExporter

> 使用方法：
$ scrapy crawl mySpider -o test.csv
    原文作者：小镇夜里海棠花未眠
    原文地址: https://www.jianshu.com/p/2542219f6ee0
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞