爬虫入门（3）：爬取的数据存储到MySQL数据库
一般来说，爬虫爬取的内容基本上都存储到数据库，然后由数据分析程序对爬取的数据进行分析。
下面将在爬取百度热点新闻案例基础上，对项目进行改进，将爬虫爬取的内容存储到MySQL数据库，具体步骤如下：
（1）安装pymysql模块；
（2）创建MySQL数据库及表结构；
（3）修改settings.py配置文件
（4）建立dbhelp文件
（5）修改pipelines.py文件；
（6）运行爬虫。
安装pymysql模块
pymysql是Python用于操作MySQL数据库的模块。若没有安装pymysql模块，需要先安装pymysql模块。
在Windows命令行窗口输入命令：
pip3 install pymysqlpip3会自动下载lxml并安装。
创建MySQL数据库及表结构
在MySQL数据库管理系统建立baidunews数据库，建立表news，表结构如下：
修改settings.py配置文件
在settings.py配置文件需要添加ITEM_PIPELINES配置项，ITEM_PIPELINES配置项用于配置对爬取数据进行处理的模块, ITEM_PIPELINES配置项为：
ITEM_PIPELINES = {
'stock.pipelines.StockPipeline': 300,
}tock.pipelines.StockPipeline指定了用于处理爬取数据的类，数据处理类StockPipeline在stock包pipelines模块内。pipelines.py模块文件在项目的stock目录下。
在settings.py配置文件结尾添加MySQL数据库配置项：
# 数据库配置
MYSQL_HOST = 'localhost'
MYSQL_DBNAME = 'baidunews'
# 配置数据库的访问用户
MYSQL_USER = 'root'
# 配置数据库的访问密码
MYSQL_PASSWD = '******'建立dbhelp文件
dbhelp文件连接MySQL数据，并将scrpy传入的StockItem数据项存储到MySQL数据库。在项目的stock目录下建立db包，在db包下建立dbhelp.py文件。代码文件如下：
'''
1、爬取数据存储到数据库
2、MySQL数据库连接信息存储在settings配置文件
'''
#导入pymysql模块
import pymysql as mysql
#导入twisted的adbapi模块
from twisted.enterprise import adbapi
#导入settings配置读取函数
from scrapy.utils.project import get_project_settings
#导入time模块
import time
class DBHelper():
# 类构造方法
def __init__(self):
#获取settings配置数据
print("DBHelper()")
settings = get_project_settings()
dbparams = dict(
#读取MYSQL_HOST(MySQL主机地址)
host=settings['MYSQL_HOST'],
#读取MYSQL_DBNAME(MySQL数据库名称)
db=settings['MYSQL_DBNAME'],
#读取MYSQL_USER(MySQL数据库用户名)
user=settings['MYSQL_USER'],
#读取MYSQL_PASSWD(MySQL数据库用户登录密码)
passwd=settings['MYSQL_PASSWD'],
#设置字符集为utf8编码
charset='utf8',
#设置游标的类型，DictCursor以字典类型返回
cursorclass=mysql.cursors.DictCursor,
)
#创建一个数据库连接池对象
#dbparams为字典参数
dbpool = adbapi.ConnectionPool('pymysql', **dbparams)
#数据库连接池对象赋值给类属性变量dbpool
self.dbpool = dbpool
#返回数据库连接ConnectionPool对象
def connect(self):
return self.dbpool
#插入数据库记录
def insert(self, item):
#sql语句
sql = "insert into news(title,link,date) values(%s,%s,%s)"
#调用插入的方法
query = self.dbpool.runInteraction(self._conditional_insert, sql, item)
#调用异常处理方法
query.addErrback(self._handle_error)
return item
#记录提交到数据
def _conditional_insert(self, tx, sql, item):
datetime = time.strftime('%Y-%m-%d %H:%M:%S',
time.localtime(time.time()))
params = (item["news_title"], item['news_link'],datetime)
tx.execute(sql, params)
#错误处理方法
def _handle_error(self, failue):
print('--------数据库异常!!---------')
print(failue)修改pipelines.py文件
pipelines.py文件在项目的stcok目录下，pipelines.py是用于处理爬取数据的模块文件。修改后的代码文件如下：
from itemadapter import ItemAdapter
from stock.db import dbhelp
class StockPipeline:
# 连接数据库
def __init__(self):
print("连接数据库")
self.db = dbhelp.DBHelper()
def process_item(self, item, spider):
# 插入数据库
self.db.insert(item)
return item运行爬虫
运行爬虫有两种方式：一种方式在Windows命令行窗口执行scrapy命令来运行爬虫；另外一种方式在项目根目录下创建一个py文件来运行爬虫。
使用第一种方式运行爬虫
在Windows命令行窗口输入下面的命令：
scrapy crawl spider_stockstarcrawl是运行爬虫的命令，spider_stockstar是爬虫名称。
在Windows命令行窗口运行爬虫，scrapy会给出更多爬虫运行信息，调试爬虫程序时建议使用该方式运行爬虫。
使用第二种方式运行爬虫
在项目的stock目录下，建立sql_main.py文件，用于运行爬虫。
文件代码如下：
from scrapy.cmdline import execute
execute(["scrapy","crawl","spider_stockstar"])文中案例代码可在编程训练营APP下载。