二、数据存储

2018-06-10 本文已影响0人 zhile_doing

爬虫爬取的数据要经过数据存储步骤存储在磁盘上，对一些数据量较小的项目，数据可以暂时以磁盘文件的形式存储，如果数据量较大，可以选择数据库的方式存储需要的数据。

以文件方式存储数据

存储为json数据
使用文件存储数据时，一个不得不说的话题是序列化。在面向对象语言设计中，将一个对象变为一个可以存储、发送的可以恢复出原始对象的字符序列的过程，叫做序列化。将序列化后的字符序列恢复为对象的过程叫做反序列化。经常碰到数据以json对象的方式出现，可以使用python的json模块将对象序列化进文件中保存起来

#coding:utf-8
import json
from bs4 import BeautifulSoup
import requests
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r = requests.get('http://seputu.com/',headers=headers)
soup = BeautifulSoup(r.text,'html.parser',from_encoding='utf-8')#html.parser
content=[]
for mulu in soup.find_all(class_="mulu"):
    h2 = mulu.find('h2')
    if h2!=None:
        h2_title = h2.string#获取标题
        list=[]
        for a in mulu.find(class_='box').find_all('a'):#获取所有的a标签中url和章节内容
            href = a.get('href')
            box_title = a.get('title')
            list.append({'href':href,'box_title':box_title})
        content.append({'title':h2_title,'content':list})
with open('test.json','w') as fp:
    json.dump(content,fp=fp,indent=4)

存储为csv文件
csv是一种具有固定格式的表格文件，使用换行符来分隔一行，使用逗号分隔字段，python中使用csv模块操作csv文件。以下程序提取必要信息，存入csv文件中

import csv
import re
from lxml import etree
import requests
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r = requests.get('http://seputu.com/',headers=headers)
#使用lxml解析网页

html = etree.HTML(r.text)
div_mulus = html.xpath('.//*[@class="mulu"]')#先找到所有的div class=mulu标签
pattern = re.compile(r'\s*\[(.*)\]\s+(.*)')
rows=[]
for div_mulu in div_mulus:
    #找到所有的div_h2标签
    div_h2 = div_mulu.xpath('./div[@class="mulu-title"]/center/h2/text()')
    if len(div_h2)> 0:
        h2_title = div_h2[0].encode('utf-8')
        a_s = div_mulu.xpath('./div[@class="box"]/ul/li/a')
        for a in a_s:
            #找到href属性
            href=a.xpath('./@href')[0].encode('utf-8')
            #找到title属性
            box_title = a.xpath('./@title')[0]
            pattern = re.compile(r'\s*\[(.*)\]\s+(.*)')
            match = pattern.search(box_title)
            if match!=None:
                date =match.group(1).encode('utf-8')
                real_title= match.group(2).encode('utf-8')
                # print real_title
                content=(h2_title,real_title,href,date)
                print content
                rows.append(content)
headers = ['title','real_title','href','date']
with open('test.csv','w') as f:
    f_csv = csv.writer(f,)
    f_csv.writerow(headers)
    f_csv.writerows(rows)

使用urlretrieve获取多媒体文件
urllib中的urlretrieve函数可以将多媒体文件下载到本地。以下程序获取天堂图片网的图片，并显示单个图片文件的下载进度

import urllib
from lxml import etree
import requests
# 下载过程中调用此函数计算进度
def Schedule(blocknum,blocksize,totalsize):
    '''''
    blocknum:已经下载的数据块
    blocksize:数据块的大小
    totalsize:远程文件的大小
    '''
    per = 100.0 * blocknum * blocksize / totalsize
    if per > 100 :
        per = 100
    print '当前下载进度：%d'%per
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r = requests.get('http://www.ivsky.com/tupian/ziranfengguang/',headers=headers)
#使用lxml解析网页
html = etree.HTML(r.text)
img_urls = html.xpath('.//img/@src')#先找到所有的img
i=0
for img_url in img_urls:
    urllib.urlretrieve(img_url,'img'+str(i)+'.jpg',Schedule)
    i+=1

数据库存储
当项目增大，爬虫数量增多，将数据存储在文件中，不便于维护与数据同步、获取。将数据存储在数据库中，有利于数据存取、备份，提高程序可用性。数据库有关系型和非关系型（Nosql）等类型。关系型数据库的典型代表是mysql，即数据以表的形式被组织起来，字段与字段之间因为处于表中的同一行而可以被互相索引，通过这种个关系将数据组织起来，被称为关系型数据库。随着web数据多样化，简单的关系型数据已经不能满足互联网需求，各种各样的数据包括文本、视频等。非关系型数据库的出现就是为了解决此类问题。非关系型数据库中的文档型和键值型较为常用。记录sqlite、mysql、mongodb数据库的常用操作，方便之后查阅。基本的sql查询语法可以查看菜鸟教程。

使用sqlite
sqlite是关系型数据库的一种，具有体积小、便携等优点，一个文件即一个数据库，使用十分方便，缺点是并发性不好。
使用之前使用对应系统的包管理工具安装sqlite数据包即可。使用
sqlite filename即可创建一个filename命名的数据库
创建数据库test.db
sqlite test.db
创建数据表person，字段有id，name，age

sqlite> create table person(
...> id integer primary key,
...> name varchar(20),
...> age integer);

向该表中插入数据
insert into person(name, age) values('xiaozhi', 22);
.help可以查看sqlite数据库帮助，命令一般以.开头
可以查看数据表的结构，使用output设置输出，使用dump将数据保存至文件中，设置输出分隔符，保存为csv格式。
事务是数据库系统的一个重要概念，有时候操作的原子性是很重要的，不能出现前端后台数据不一致的情况，这是不合理的。保证一组操作要么执行完毕，要么不执行，是数据库的事务处理完成的功能。在sqlite中使用start transaction指令开始一个事务，使用commit提交动作，使用roolback回滚操作
python操作sqlite时，导入标准库sqlite3，基本操作如下

#coding:utf-8
import sqlite3
# 使用connect方法连接/创建数据库，可以创建在内存中
con = sqlite3.connect('./test.db')#con = sqlite3.connect(':memory:')
# 使用cursor方法获取操作数据库的游标对象
cur = con.cursor()
# 使用cursor对象的execute方法执行sql语句
cur.execute(' CREATE TABLE person (id integer primary key,name varchar(20),age integer)')
# 两种传参方式，第二种做了参数化处理，防止sql注入
data="0,'qiye',20"
cur.execute(' INSERT INTO person VALUES (%s)'%data)

cur.execute(' INSERT INTO person VALUES (?,?,?)',(0,'qiye',20))
# 使用executemany执行多条sql语句
cur.executemany(' INSERT INTO person VALUES (?,?,?)',[(3,'marry',20),(4,'jack',20)])


cur.execute('SELECT * FROM person')
# 使用fetchall获取所有查询结果
res = cur.fetchall()
for line in res:
    print line
    cur.execute('SELECT * FROM person')
    res = cur.fetchone()
    print res

cur.execute('UPDATE person SET name=? WHERE id=?',('rose',1))
cur.execute('DELETE FROM person WHERE id=?',(0,))
# 使用commit方法提交动作
con.commit()
con.close()
# 《python爬虫开发与项目实战》

mysql数据库
mysql数据库安装不再说明，日常使用我们应该知道怎样连接至本地和远程数据库，数据库权限设置，用户账号密码设置，安全设置，数据库备份设置，数据表更改设置，数据增删查改设置，数据库备份设置，详细参见linux运维内容。python操作mysql数据库使用pymysql，python对数据库操做的封装十分简便、统一

#coding:utf-8

import pymysql
# 使用connect方法连接mysql主机
con = pymysql.connect(host='192.168.56.101', user='xiaozhi', passwd='wodemima', db='test', port=3306, charset='utf8')
# 得到游标对象
cur = con.cursor()
# 执行sql指令
cur.execute(' CREATE TABLE person (id int not null auto_increment primary key,name varchar(20),age int)')
data="'qiye',20"
# 两种传参方式
cur.execute(' INSERT INTO person (name,age) VALUES (%s)'%data)

cur.execute(' INSERT INTO person (name,age) VALUES (%s,%s)',('qiye',20))
# 执行多条sql语句
cur.executemany(' INSERT INTO person (name,age) VALUES (%s,%s)',[('marry',20),('jack',20)])
# 提交操作
con.commit()

cur.execute('SELECT * FROM person')

cur.execute('SELECT * FROM person')
# 使用fetchall获取所有查询数据
res = cur.fetchall()
for line in res:
    print line
    cur.execute('SELECT * FROM person')
    res = cur.fetchone()
    print res
# 更新数据表
cur.execute('UPDATE person SET name=%s WHERE id=%s', ('rose', 1))
cur.execute('DELETE FROM person WHERE id=%s', (0,))
con.commit()
con.close()

mongodb，mongodb是文档型数据库，和关系型数据库有许多不同。文档型数据库存储的基本单元是文档，多个文档组成集合collection，由集合组成database。

#coding:utf-8
import datetime
import pymongo
# 连接mongodb服务
client = pymongo.MongoClient('mongodb://localhost:27017/')
# 使用属性的方式得到数据库和集合
db = client.papers

collection = db.books

book = {"author": "Mike",
 "text": "My first book!",
 "tags": ["爬虫", "python", "网络"],
"date": datetime.datetime.utcnow()
 }
# 向集合中插入数据
book_id= collection .insert(book)

books = [{"author": "Mike",
 "text": "My first book!",
 "tags": ["爬虫", "python", "网络"],
"date": datetime.datetime.utcnow()
 },{"author": "qiye",
 "text": "My sec book!",
 "tags": ["hack", "python", "渗透"],
"date": datetime.datetime.utcnow()
 }]
books_id = collection.insert(books)


collection.find_one({"author": "qiye"})
for book in collection.find():
    print book
for book in collection.find({"author": "qiye"}):
    print book

collection.find({"author": "qiye"}).count()

collection.update({"author": "qiye"},{"$set":{"text":"python book"}})

collection.remove({"author": "qiye"})

mongodb集群是多台mongodb服务器组合成的集群服务，主节点和从节点通过同步数据完成数据备份，当主节点宕机时，从节点可以代替主节点继续工作，提高系统容错性，搭建mongodb集群作为测试，在本机启动三个mongod服务当作三台主机

mongod --dbpath=./data1 --replSet=replset &
mongod --dbpath=./data2 --port 27018 --replSet=replset &
mongod --dbpath=./data3 --port 27019 --replSet replset &

使用mongo连接主节点进行集群设置

使该设置生效

插入数据

在从节点查询

python访问mongo集群

from pymongo import MongoClient
client = MongoClient('mongodb://127.0.0.1:27017,127.0.0.1:27018,127.0.0.1,27019', replicaset='replset')
print client.test.testdb.find_one()

redis数据库与python

#coding:utf-8
import redis
r = redis.Redis(host='127.0.0.1', port=6379)
r.set('name', 'qiye')
print r.get('name')

'''
pool = redis.ConnectionPool(host='127.0.0.1', port=6379)
r = redis.Redis(connection_pool=pool)
r.set('name', 'qiye')
print r.get('name')
'''

二、数据存储

猜你喜欢

热点阅读