Python网络数据采集之存储数据|第04天

主要内容:

下载文件,存储数据;

MySQL的基本使用,发送邮件。

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","我+")

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:

1

CREATE DATABASE demo;

使用数据库:

1

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:

1

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

查询数据:

1

SELECT * FROM user

模糊查询:

1

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

删除数据:

1

DELELT FROM user WHERE id = 1

更新数据:

1

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:

1

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。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Java架构师历程

Mysql面试题目

5>.InnoDB不支持全文索引,而MyISAM支持。(X) (2) 问各种不同mysql版本的2者的改进 (3)2者的索引的实现方式

2083
来自专栏james大数据架构

微软官方提供的用于监控MS SQL Server运行状况的工具及SQL语句

Microsoft SQL Server 2005 提供了一些工具来监控数据库。方法之一是动态管理视图。动态管理视图 (DMV) 和动态管理函数 (DMF) 返...

2767
来自专栏Spark学习技巧

phoenix二级索引

二级索引 二级索引是从主键访问数据的正交方式。Hbase中有一个按照字典排序的主键Rowkey作为单一的索引。不按照Rowkey去读取记录都要遍历整张表,然后按...

7179
来自专栏乐沙弥的世界

Percona XtraDB Cluster 的一些使用限制(PXC 5.7)

Percona XtraDB Cluster有众多的优秀特性,使得mysql集群得以轻松实现。但是不要忽略了它的一些限制。如果你无法接受,或者你的应用程序或数据...

1213
来自专栏Java帮帮-微信公众号-技术文章全总结

【数据库】MySQL进阶四、select

【数据库】MySQL进阶四、select mysql中select * for update 注: FOR UPDATE 仅适用于InnoDB,且必须在事务区...

4337
来自专栏沃趣科技

MySQL中的统计信息相关参数介绍

统计信息的作用 上周同事在客户现场遇到了由于统计信息的原因,导致应用数据迁移时间过慢,整个迁移差点失败。关键时刻同事发现测试环境与生产环境SQL语句执行计划不一...

34710
来自专栏沃趣科技

ASM 翻译系列第二十六弹:ASM 高级知识 Where is my data

原作者:Bane Radulovic 译者: 邱大龙 审核: 魏兴华 DBGeeK社群联合出品 Where is my data 有时候我们想要知道...

3657
来自专栏JMCui

SQL优化二(SQL性能调优)

一·、前言:这篇博文内容非原创,是我们公司的架构师给我们做技术培训的时候讲的内容,我稍微整理了下,借花献佛。这篇博文只是做一个大概的科普介绍,毕竟SQL优化的知...

4026
来自专栏jouypub

Hive日常操作

根据分区查询数据:select table_coulm from table_name where partition_name = '2018-11-01';

2203
来自专栏杨建荣的学习笔记

并行查询缓慢的问题分析(r5笔记第86天)

今天,数据迁移组的同事问我一个问题,说他们现在需要在迁移库中查看一些数据,但是查看的时候速度很慢,想让我们看看是不是数据库端出了什么问题。因为数据迁移的一些准备...

2806

扫码关注云+社区

领取腾讯云代金券