原文链接：

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： 。随便点开一个城市的天气比如合肥： 。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：

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

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()

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

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

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,     }

让项目跑起来：

$ scrapy crawl HFtianqi

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。

---

相关文章和视频推荐

圆方圆学院汇集 Python + AI 名师，打造精品的 Python + AI 技术课程。 在各大平台都长期有优质免费公开课，欢迎报名收看。

公开课地址：