爬虫——实战完整版

mongodb操作

 1 import pymongo
 2 
 3 #连接数据库实例(连接数据库)---》获取相应数据库---》获取相应collection集合(表)
 4 client = pymongo.mongoclient(host='localhost',port=27017)
 5 
 6 db = client.test        #也可用字典形式操作，如下
 7 # db = client["test"]
 8 
 9 collection  = db.students  #也可用字典形式操作，如下
10 # collection = db["students"]
11 
12 student1 = {
13     'id':'001',
14     'name':'haha',
15     'age':20,
16     'gender':'male'
17 }
18 student2 = {
19     'id': '002',
20     'name': 'mike',
21     'age': 41,
22     'gender': 'male'
23 }
24 #--------------------------------------------------------------------------
25         #插入 insert into students(...) values('002',...)
26         #若不指定 _id 字段，系统默认会生成一个objectid
27         #可插入一条或多条数据(列表形式)，python3不推荐使用insert
28 # collection.insert([student1,student2])
29 # collection.insert(student1)
30 
31         #官方推荐，分开使用，返回值不是objectid，而是insertoneresult对象，我们可以调用其inserted_id属性获取_id。
32 # result = collection.insert_one(student2)
33 # print(result)
34 # print(result.inserted_id)
35 
36 # result = collection.insert_many([student1,student2])
37 # print(result)
38 # print(result.inserted_ids)
39 
40 #------------------------------------------------------------------
41         #查询 select * from students where id=002
42         #查询条件使用字典，可使用多字段,find是多条查询
43 # result_find = collection.find({"name":"lijingbo","age":20})
44 # print(result_find.next())   #返回一个游标，游标相当于迭代器，可使用next()获取一条结果，或者使用循环遍历等，遍历结果是字典
45         #find_one:单个查询，返回字典类型
46 # result = collection.find_one({'age':20})
47 # print(result,type(result))
48         #结合关系符进行查询:$gt,$lt,$gte,$lte,$ne,$in,$nin
49 # result = collection.find({'age':{'$gt':18}})
50 # result = collection.find({'age':{'$in':[18,41]}})
51         #结合特殊符号查询：$regex
52 # result = collection.find({'name':{'$regex':'^m.*'}})  #正则
53 # result = collection.find({'name':{'$exists':true}})     #查询含有name属性的
54 # result = collection.find({'age':{'$mod':[5,0]}})        #求模，对5取余=0
55 # result = collection.find({'$where':'obj.age==20'})       #查询age为20的，obj是自身
56 # result = collection.find({'age':20}).count()                #统计
57 # result = collection.find().sort('age',pymongo.ascending)      #按照指定字段升序排列
58 # result = collection.find().sort('age',pymongo.descending)     #按照指定字段升序排列
59 # result = collection.find().sort('age',pymongo.descending).skip(2)     #按照指定字段升序排列，偏移2个(就是把最前面两个跳过去了)
60 # result = collection.find().sort('age',pymongo.descending).skip(2).limit(5)    #限制得到5
61 # print(result)
62 # for r in result:
63 #     print(r['name'],r['age'])
64 
65 #----------------------------------------------------------
66         #更新 update students set name=haha where id=001
67         #参数1：查询条件(字典)；参数2：更新值(字典，键：'$set'，值：字典【也可直接使用外部字典】)
68         #其他：upsert默认为false，为true时——若更新的原数据不存在，则插入数据
69                 #multi——默认为false只更新查询到的第一条数据，为true时：更新全部查询到的数据
70         # $set：是mongodb内置函数，覆盖原始数据
71 # collection.update({"id":"001"},{'$set':{'age':34}},upsert=true,multi=true)
72 # print(collection.find().next())
73         #上面的官方也不推荐，可以使用下面的
74 # result = collection.update_one({'name':'haha'},{'$set':{'age':18}})
75 # result = collection.update_many({'name':'haha'},{'$set':{'age':18}})
76 # print(result)   #只修改一条数据，若该数据不修改就和修改条件一样了，那有可能修改数为0
77 # print(result.matched_count,result.modified_count)
78 
79 
80 #-----------------------------------------------------
81         #删除,remove方法官方不推荐
82 # collection.remove({"id":"001"},justone=1)
83 # result = collection.delete_one({'name':'mike'})
84 # result = collection.delete_many({'name':'mike'})
85 # print(result)
86 # print(result.deleted_count)
87 
88 #---------------------------------------------------
89         #组合方法
90 # result = collection.find_one_and_delete({'name':'haha'})
91 # result = collection.find_one_and_update({'name':'haha'},{'$set':{'age':45}})
92 # result = collection.find_one_and_replace({'name':'haha'})
93 # print(result)

 

mongocache

将数据以字典的特性存储缓存到mongodb数据库

导入类库

import pickle,zlib  #对象序列化    压缩数据
from datetime import datetime,timedelta     #设置缓存超时间间隔
from pymongo import mongoclient
from bson.binary import binary      #mongodb存储二进制的类型

创建mongocache类

• 初始化init
  • 连接mongodb数据库
  • 连接数据库cache实例(没有则创建)
  • 连接集合webpage(没有则创建)
  • 创建timestamp索引，设置超时时间为30天

• 重写__setitem__
  • 数据经过pickle序列化
  • zlib压缩
  • 经binary转化为mongodb需要的格式
  • 添加格林威治时间
  • 网址为键_id，结果为值，存入mongodb

使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重

用字典的形式向数据库添加一条缓存(数据)

• 重写__getitem__

  • 将缓存数据按照item作为key取出(key仍然是下载的url)
  • 根据_id(url)查找(find_one)结果
  • 解压缩，反序列化

• 重写__contains__

  • 当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
  • 可通过字典的查找方式__getitem__直接查找(self[item])
  • 该函数返回布尔值

• 方法clear

  • 清空该集合中的数据

     1 import pickle,zlib  #对象序列化    压缩数据
     2 from datetime import datetime,timedelta     #设置缓存超时间间隔
     3 from pymongo import mongoclient
     4 from bson.binary import binary      #mongodb存储二进制的类型
     5 from http_ljb.tiebaspider import tiebaspider
     6 from http_ljb.qiushispider import qiushispider
     7 
     8 class mongocache:
     9     def __init__(self,client=none,expires=timedelta(days=30)):
    10         '''
    11         初始化函数
    12         :param client: 数据库连接(数据库实例)
    13         :param expires: 超时时间
    14         '''
    15         self.client = mongoclient('localhost',27017)
    16         self.db = self.client.cache     #创建名为cache的数据库
    17         web_page = self.db.webpage      #创建集合webpage并赋值给变量
    18         #创建timestamp索引，设置超时时间为30天，total_seconds会将days转为秒
    19         self.db.webpage.create_index('timestamp',expireafterseconds=expires.total_seconds())
    20 
    21     def __setitem__(self, key, value):
    22         '''
    23         用字典的形式向数据库添加一条缓存(数据)
    24         :param key: 缓存的键
    25         :param value: 缓存的值
    26         :return:
    27         '''
    28         #数据---》pickle序列化---》zlib压缩---》binary转化为mondodb需要的格式，使用格林威治时间
    29         record = {'result':binary(zlib.compress(pickle.dumps(value))),'timestamp':datetime.utcnow()}
    30         #使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重
    31         self.db.webpage.update({'_id':key},{'$set':record},upsert=true)
    32 
    33     def __getitem__(self, item):
    34         '''
    35         将缓存数据按照item作为key取出(key仍然是下载的url)
    36         :param item:键
    37         :return:
    38         '''
    39         record = self.db.webpage.find_one({'_id':item}) #查找出来就不是binary了，不用进行转化
    40         if record:
    41             return pickle.loads(zlib.decompress(record['result'])) #解压缩，反序列化
    42         else:
    43             raise keyerror(item + 'does not exist')     #查询不到就抛出键错误异常
    44 
    45     def __contains__(self, item):
    46         '''
    47         当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
    48         :param item: 下载的url链接(路由)
    49         :return:
    50         '''
    51         try:
    52             self[item]      #这一步会调用__getitem__,找不到__getitem__会抛出异常，在这里进行捕获异常只返回false，否则返回true
    53         except keyerror:
    54             return false
    55         else:
    56             return true
    57 
    58     def clear(self):
    59         '''
    60         清空该集合中的数据
    61         :return:
    62         '''
    63         self.db.webpage.drop()

     

爬取实例

调用贴吧爬取代码和百科爬取代码，使用mongodb存储爬取数据

 

• 导入爬取类
• 创建新类并继承自爬取类
• 重写保存方法
  • 创建mongocache对象
  • 网址为键，数据为值，以字典形式存入mongodb
• 重写run方法
  • 在保存时，需多传一个网址参数(为了在保存方法中对应保存)

      1 import pickle,zlib  #对象序列化    压缩数据
      2 from datetime import datetime,timedelta     #设置缓存超时间间隔
      3 from pymongo import mongoclient
      4 from bson.binary import binary      #mongodb存储二进制的类型
      5 from http_ljb.tiebaspider import tiebaspider
      6 from http_ljb.qiushispider import qiushispider
      7 
      8 class mongocache:
      9     def __init__(self,client=none,expires=timedelta(days=30)):
     10         '''
     11         初始化函数
     12         :param client: 数据库连接(数据库实例)
     13         :param expires: 超时时间
     14         '''
     15         self.client = mongoclient('localhost',27017)
     16         self.db = self.client.cache     #创建名为cache的数据库
     17         web_page = self.db.webpage      #创建集合webpage并赋值给变量
     18         #创建timestamp索引，设置超时时间为30天，total_seconds会将days转为秒
     19         self.db.webpage.create_index('timestamp',expireafterseconds=expires.total_seconds())
     20 
     21     def __setitem__(self, key, value):
     22         '''
     23         用字典的形式向数据库添加一条缓存(数据)
     24         :param key: 缓存的键
     25         :param value: 缓存的值
     26         :return:
     27         '''
     28         #数据---》pickle序列化---》zlib压缩---》binary转化为mondodb需要的格式，使用格林威治时间
     29         record = {'result':binary(zlib.compress(pickle.dumps(value))),'timestamp':datetime.utcnow()}
     30         #使用下载的url(路由)作为key，存入系统默认的_id字段，更新数据库，若存在则更新，不存在则插入，_id唯一就可实现爬取的数据去重
     31         self.db.webpage.update({'_id':key},{'$set':record},upsert=true)
     32 
     33     def __getitem__(self, item):
     34         '''
     35         将缓存数据按照item作为key取出(key仍然是下载的url)
     36         :param item:键
     37         :return:
     38         '''
     39         record = self.db.webpage.find_one({'_id':item}) #查找出来就不是binary了，不用进行转化
     40         if record:
     41             return pickle.loads(zlib.decompress(record['result'])) #解压缩，反序列化
     42         else:
     43             raise keyerror(item + 'does not exist')     #查询不到就抛出键错误异常
     44 
     45     def __contains__(self, item):
     46         '''
     47         当调用in，not in ，会自动调用该方法判断链接对应网址是否在数据库中
     48         :param item: 下载的url链接(路由)
     49         :return:
     50         '''
     51         try:
     52             self[item]      #这一步会调用__getitem__,找不到__getitem__会抛出异常，在这里进行捕获异常只返回false，否则返回true
     53         except keyerror:
     54             return false
     55         else:
     56             return true
     57 
     58     def clear(self):
     59         '''
     60         清空该集合中的数据
     61         :return:
     62         '''
     63         self.db.webpage.drop()
     64 
     65 class tiebamongo(tiebaspider):
     66     def save_result(self, result,url_str):
     67         """
     68         重写父类的该方法，将数据保存到数据库
     69         :param result:
     70         :param url_str:
     71         :return:
     72         """
     73         mc = mongocache()
     74         mc[url_str] = result
     75 
     76     def run(self):
     77         url_lists = self.make_url()
     78         for url_str in url_lists:
     79             result_str = self.download_url(url_str)
     80             self.save_result(result=result_str,url_str=url_str)
     81 
     82 # class qiushimongo(qiushispider):
     83 #     def save_result(self, result,url_str):
     84 #         mc = mongocache()
     85 #         mc[url_str] = result
     86 #
     87 #     def run(self):
     88 #         url_lists = self.make_url()
     89 #         for url_str in url_lists:
     90 #             result_str = self.download_url(url_str)
     91 #             self.save_result(result=result_str,url_str=url_str)
     92 
     93 # if __name__ == '__main__':
     94         #爬取贴吧并存到mongodb
     95     # test = tiebamongo('lol')
     96     # test.run()
     97         #爬取糗事并存到mongodb
     98     # qiushi = qiushimongo()
     99     # qiushi.run()
    100         #查询mongodb
    101     # mc = mongocache()
    102     # print(mc['https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=2'])
    103     # print('https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=3' in mc)
    104     # cha = mongocache()
    105     # print(cha[test.url_base])
    106     # print(mc["https://www.qiushibaike.com/8hr/page/2/"])