Python爬虫 --- 2.4 Scrapy之天气预报爬虫实践

目的

写一个真正意义上一个爬虫，并将他爬取到的数据分别保存到txt、json、已经存在的mysql数据库中。

目标分析：

这次我们要爬的是 中国天气网：http://www.weather.com.cn/ 随便点开一个城市的天气比如合肥： http://www.weather.com.cn/weather/101220101.shtml 我们要爬取的就是图中的：合肥七天的前期预报：

数据的筛选：

我们使用chrome开发者工具，模拟鼠标定位到相对应位置:

可以看到我们需要的数据，全都包裹在

<ul class="t clearfix">

里 我们用bs4、xpath、css之类的选择器定位到这里，再筛选数据就行。 本着学习新知识的原则，文中的代码将会使用xpath定位。 这里我们可以这样：

response.xpath('//ul[@class="t clearfix"]')

Scrapy 框架的实施：

1. 创建scrapy项目和爬虫： $ scrapy startproject weather $ cd weather $ scrapy genspider HFtianqi www.weather.com.cn/weather/101220101.shtml 这样我们就已经将准备工作做完了。 看一下当前的目录： . ├── scrapy.cfg └── weather ├── __init__.py ├── __pycache__ │   ├── __init__.cpython-36.pyc │   └── settings.cpython-36.pyc ├── items.py ├── middlewares.py ├── pipelines.py ├── settings.py └── spiders ├── HFtianqi.py ├── __init__.py └── __pycache__ └── __init__.cpython-36.pyc 4 directories, 11 files
2. 编写items.py: 这次我们来先编写items,十分的简单，只需要将希望获取的字段名填写进去： import scrapy class WeatherItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() date = scrapy.Field() temperature = scrapy.Field() weather = scrapy.Field() wind = scrapy.Field()
3. 编写Spider: 这个部分使我们整个爬虫的核心!! 主要目的是： 将Downloader发给我们的Response里筛选数据，并返回给PIPELINE处理 下面我们来看一下代码： # -*- coding: utf-8 -*- import scrapy from weather.items import WeatherItem class HftianqiSpider(scrapy.Spider): name = 'HFtianqi' allowed_domains = ['www.weather.com.cn/weather/101220101.shtml'] start_urls = ['http://www.weather.com.cn/weather/101220101.shtml'] def parse(self, response): ''' 筛选信息的函数： date = 日期 temperature = 当天的温度 weather = 当天的天气 wind = 当天的风向 ''' # 先建立一个列表，用来保存每天的信息 items = [] # 找到包裹着天气信息的div day = response.xpath('//ul[@class="t clearfix"]') # 循环筛选出每天的信息： for i in list(range(7)): # 先申请一个weatheritem 的类型来保存结果 item = WeatherItem() # 观察网页，并找到需要的数据 item['date'] = day.xpath('./li['+ str(i+1) + ']/h1//text()').extract()[0] item['temperature'] = day.xpath('./li['+ str(i+1) + ']/p[@class="tem"]/i/text()').extract()[0] item['weather'] = day.xpath('./li['+ str(i+1) + ']/p[@class="wea"]/text()').extract()[0] item['wind'] = day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/em/span/@title').extract()[0] + day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/i/text()').extract()[0] items.append(item) return items
4. 编写PIPELINE： 我们知道，pipelines.py是用来处理收尾爬虫抓到的数据的， 一般情况下，我们会将数据存到本地：
   • 文本形式： 最基本的存储方式
   • json格式 ：方便调用
   • 数据库： 数据量比较大时选择的存储方式 TXT（文本）格式： import os import requests import json import codecs import pymysql class WeatherPipeline(object): def process_item(self, item, spider): print(item) # print(item) # 获取当前工作目录 base_dir = os.getcwd() # 文件存在data目录下的weather.txt文件内，data目录和txt文件需要自己事先建立好 filename = base_dir + '/data/weather.txt' # 从内存以追加的方式打开文件，并写入对应的数据 with open(filename, 'a') as f: f.write(item['date'] + '\n') f.write(item['temperature'] + '\n') f.write(item['weather'] + '\n') f.write(item['wind'] + '\n\n') return item json格式数据： 我们想要输出json格式的数据，最方便的是在PIPELINE里自定义一个class： class W2json(object): def process_item(self, item, spider): ''' 讲爬取的信息保存到json 方便其他程序员调用 ''' base_dir = os.getcwd() filename = base_dir + '/data/weather.json' # 打开json文件，向里面以dumps的方式吸入数据 # 注意需要有一个参数ensure_ascii=False ，不然数据会直接为utf编码的方式存入比如:“/xe15” with codecs.open(filename, 'a') as f: line = json.dumps(dict(item), ensure_ascii=False) + '\n' f.write(line) return item 数据库格式（mysql）: Python对市面上各种各样的数据库的操作都有良好的支持， 但是现在一般比较常用的免费数据库mysql。
   • 在本地安装mysql： linux和mac都有很强大的包管理软件，如apt，brew等等 window 可以直接去官网下载安装包。 由于我是Mac，所以我是说Mac的安装方式了。 $ brew install mysql 在安装的过程中，他会要求你填写root用户的密码， 这里的root并不是系统层面上的超级用户，是mysql数据库的超级用户。 安装完成后mysql服务是默认启动的， 如果重启了电脑，需要这样启动（mac）： $ mysql.server start
   • 登录mysql并创建scrapy用的数据库: # 登录进mysql $ mysql -uroot -p # 创建数据库：ScrapyDB ,以utf8位编码格式，每条语句以’；‘结尾 CREATE DATABASE ScrapyDB CHARACTER SET 'utf8'; # 选中刚才创建的表： use ScrapyDB； # 创建我们需要的字段：字段要和我们代码里一一对应，方便我们一会写sql语句 CREATE TABLE weather( id INT AUTO_INCREMENT, date char(24), temperature char(24), weather char(24), wind char(24), PRIMARY KEY(id) )ENGINE=InnoDB DEFAULT CHARSET='utf8' 来看一下weather表长啥样： show columns from weather 或者：desc weather
   • 安装Python的mysql模块： pip install pymysql 最后我们编辑与一下代码： class W2mysql(object): def process_item(self, item, spider): ''' 将爬取的信息保存到mysql ''' # 将item里的数据拿出来 date = item['date'] temperature = item['temperature'] weather = item['weather'] wind = item['wind'] # 和本地的scrapyDB数据库建立连接 connection = pymysql.connect( host='127.0.0.1', # 连接的是本地数据库 user='root', # 自己的mysql用户名 passwd='********', # 自己的密码 db='ScrapyDB', # 数据库的名字 charset='utf8mb4', # 默认的编码方式： cursorclass=pymysql.cursors.DictCursor) try: with connection.cursor() as cursor: # 创建更新值的sql语句 sql = """INSERT INTO WEATHER(date,temperature,weather,wind) VALUES (%s, %s, %s, %s)""" # 执行sql语句 # excute 的第二个参数可以将sql缺省语句补全，一般以元组的格式 cursor.execute( sql, (date, temperature, weather, wind)) # 提交本次插入的记录 connection.commit() finally: # 关闭连接 connection.close() return item
5. 编写Settings.py 我们需要在Settings.py将我们写好的PIPELINE添加进去， scrapy才能够跑起来 这里只需要增加一个dict格式的ITEM_PIPELINES， 数字value可以自定义，数字越小的优先处理 BOT_NAME = 'weather' SPIDER_MODULES = ['weather.spiders'] NEWSPIDER_MODULE = 'weather.spiders' ROBOTSTXT_OBEY = True ITEM_PIPELINES = { 'weather.pipelines.WeatherPipeline': 300, 'weather.pipelines.W2json': 400, 'weather.pipelines.W2mysql': 300, }
6. 让项目跑起来： $ scrapy crawl HFtianqi
7. 结果展示: 文本格式：

json格式：

数据库格式：

这次的例子就到这里了，主要介绍如何通过自定义PIPELINE来将爬取的数据以不同的方式保存。