专栏首页思考的代码世界Python网络数据采集之存储数据|第04天
原创

Python网络数据采集之存储数据|第04天

User:你好我是森林 Date:2018-03-31 Mark:《Python网络数据采集》 原文:https://chensenlin.cn/posts/60544/))

网络采集系列文章

Python网络数据采集之创建爬虫

Python网络数据采集之HTML解析

Python网络数据采集之开始采集

Python网络数据采集之使用API

存储数据

网络数据的采集,最本质的东西还是数据,我们爬取的数据是需要存储的。

媒体文件

存储媒体文件有两种主要的方式:只获取文件 URL 链接,或者直接把源文件下载下来。

可以通过媒体文件所在的URL 链接直接引用它。这样做的优点如下:

  • 爬虫运行得更快,耗费的流量更少,因为只要链接,不需要下载文件;
  • 可以节省很多存储空间,因为只需要存储URL链接就可以;
  • 存储URL的代码更容易写,也不需要实现文件下载代码;
  • 不下载文件能够降低目标主机服务器的负载。

于此同时还会有一些缺点:

  • 网站防盗链的问题,会带来很多的麻烦;
  • 自主性较差,因为文件在别人的服务器上,可支配性差;
  • 链接可能是会变化的,失效的链接数增加。
  • ....

下载文件的方法也很简单,在Python 3.x 版本中,urllib.request.urlretrieve可以根据文件的 URL 下载文件;

例如我们从http://pythonscraping.com 下载 logo图片,然后在程序运行的文件夹里保存为 logo.jpg 文件。

from urllib.request import urlretrieve
from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen('http://www.pythonscraping.com')
bs = BeautifulSoup(html, 'html.parser')
imageLocation = bs.find('a', {'id': 'logo'}).find('img')['src']
urlretrieve (imageLocation, 'logo.jpg')

下载文件需要注意exe的文件,木马文件等。不要在硬盘存储敏感信息,不要用管理员权限运行他。

把数据存储到CSV

CSV(Comma-Separated Values,逗号分隔值)是存储表格数据的常用文件格式。关于CSV格式的文件不做过多的介绍,自行去了解一下。

Pythoncsv库可以创建或者修改CSV文件。

import csv 

csvFile = open("./demo.csv","w+")

try:
    writer = csv.writer(csvFile)
    writer.writerow(('number', 'number plus 2', 'number times 2'))
    for i in rang(10):
        writer.writerow((i,i+2,I*2))
finally:
    csvFile.close()

如果文件不存在就会创建demo.csv。

MySQL

MySQL是目前最受欢迎的开源关系型数据库管理系统。因为它受众广泛,免费,开箱即用,所以它也是网络数据采集项目中常用的数据库。

我采用的是Mac的平台,可以直接下载安装安装也可以通过包管理器(例如homebrew)安装。

官网下载地址:http://dev.mysql.com/downloads/mysql/

其他的平台可以去官网查看安装详情,作为一个改变世界的程序猿,安装软件应该不是问题。

基本命令

创建数据库:

CREATE DATABASE demo;

使用数据库:

USE demo;

创建表:

CREATE TABLE user(
    id BIGINT(7) NOT NULL AUTO_INCREMENT,
    name VARCHAR(10),
    sex tinyint(1),
    creatime TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    PRIMARY KEY(id)
);

和数据库不同,MySQL 数据表必须至少有一列,否则不能创建。为了在 MySQL 里定义字段(数据列),你必须在 CREATE TABLE <tablename> 语句后面,把字段的定义放进一个带括号的、内部由逗号分隔的列表。

插入数据:

INSERT INTO user (name, sex) VALUES ("name", "1");

查询数据:

SELECT * FROM user 

模糊查询:

SELECT id FROM user LIKE "%chensenlin.cn%"

删除数据:

DELELT FROM user WHERE id = 1

更新数据:

UPDATE user SET name = 'chensenlin' WHERE id = 66

特别强调:更新或者删除一定要加条件!否则就说灾难,哈哈哈

与Python整合

Python没有内置的MySQL 支持工具。不过,有很多开源的库可以用来与 MySQL做交互,Python 2.xPython 3.x版本都支持。最有名的一个库就是PyMySQL(https://github.com/PyMySQL/PyMySQL)

安装:

pip install PyMySQL

基本使用:

import pymysql

conn = pymysql.connect(host='127.0.0.1', unix_socket='/tmp/mysql.sock',user='root', passwd=root, db='mysql')

cur.execute("USE demo")
cur.execute("SELECT * FROM user WHERE id = 1") print(cur.fetchone())
cur.close()
conn.close()

Email

Python发送一封邮件:

import smtplib
from email.mime.text import MIMEText

msg = MIMEText("邮件正文内容")
msg['Subject'] = "这是一个测试有奖主题"
msg['From'] = "fore@gmail.com"
msg['To'] = "hellosenlin@sina.cn"
s = smtplib.SMTP('localhost')
s.send_message(msg)
s.quit()

与网页通过HTTP协议传输一样,邮件是通过SMTP(Simple Mail Transfer Protocol,简单邮件传输协议)传输的。而且,和网络服务器的客户端(浏览器)处理那些通过 HTTP 协议传输的网页一样。

可以将其封装成函数作为发送邮件定时使用等。

原文地址:https://chensenlin.cn/posts/60544/

欢迎你免费加入我的星球,一起分享,共同成长。

知识星球

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

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

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python网络数据采集之存储数据|第04天

    你好我是森林
  • Python网络数据采集之读取文件|第05天

    文档编码的方式通常可以根据文件的扩展名进行判断,虽然文件扩展名并不是由编码确定的,而是由开发者确定的。从最底层的角度看,所有文档都是由 0和 1 编码而成的。例...

    你好我是森林
  • Python编程从入门到实践之文件和异常处理|第12天

    要使用文本文件中的信息,首先需要将信息读取到内存中。为此,我们可以一次性读取文件的 全部内容,也可以以每次一行的方式逐步读取。

    你好我是森林
  • sharding-jdbc4.0使用方式

    Sharding-JDBC是ShardingSphere的第一个产品,也是ShardingSphere的前身。 它定位为轻量级Java框架,在Java的JDBC...

    用户2603479
  • Python的module讲解

        Python的目录结构是module>类>方法的,也可以是module里面直接有函数或方法的。一个Python Module(模块),是一个文件,包含了...

    幽鸿
  • Ajax和JSON完成二级菜单联动的功能

    首先需要找好JSON的包哦:   链接:http://pan.baidu.com/s/1jH6gN46 密码:lbh1 1:首先创建一个前台页面,比如seco...

    别先生
  • SSL证书创建与部署

    SSL证书简介 SSL证书创建 SSL证书部署-Nginx SSL证书部署-Apache SSL证书部署-Tomcat

    达达前端
  • Python工具开发实践-csv文件分割

    今天工作中需要处理一个700多W行的csv文件,要求将csv文件按照100W行进行分割,以便可以用excel打开,找了几个脚本,处理小文件都差不多,但是当我尝试...

    披头
  • 分表与分库使用场景以及设计方式

    场景:对于大型的互联网应用来说,数据库单表的记录行数可能达到千万级甚至是亿级,并且数据库面临着极高的并发访问。采用Master-Slave复制模式的...

    三哥
  • 基于maven+ssm的增删改查之测试相关ssm环境是否成功

    1、首先我们在com.gong.curd.controller中新建EmployeeController.java(我们使用分页技术)

    绝命生

扫码关注云+社区

领取腾讯云代金券