欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python插入Elasticsearch操作方法解析

程序员文章站 2023-01-06 12:41:50
这篇文章主要介绍了python插入elasticsearch操作方法解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 在用scr...

这篇文章主要介绍了python插入elasticsearch操作方法解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

在用scrapy做爬虫的时候,需要将数据存入的es中。网上找了两种方法,照葫芦画瓢也能出来,暂记下来:

首先安装了es,版本是5.6.1的较早版本

用pip安装与es版本相对的es相关包

pip install elasticsearch-dsl==5.1.0

方法一:

以下是pipelines.py模块的完整代码

# -*- coding: utf-8 -*-

# define your item pipelines here
#
# don't forget to add your pipeline to the item_pipelines setting
# see: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import chardet

class sinafinancespiderpipeline(object):
  def process_item(self, item, spider):
    return item


# 写入到es中,需要在settings中启用这个类 exchangeratespiderespipeline
# 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应
from elasticsearch_dsl import date,nested,boolean,analyzer,completion,keyword,text,integer,doctype
from elasticsearch_dsl.connections import connections
connections.create_connection(hosts=['192.168.52.138'])
from elasticsearch import elasticsearch
es = elasticsearch()

class aticletype(doctype):
  page_from = keyword()
  # domain报错
  domain=keyword()
  cra_url=keyword()
  spider = keyword()
  cra_time = keyword()
  page_release_time = keyword()
  page_title = text(analyzer="ik_max_word")
  page_content = text(analyzer="ik_max_word")
class meta:
    index = "scrapy"
    doc_type = "sinafinance"
    # 以下settings和mappings都没起作用,暂且记下
    settings = {
      "number_of_shards": 3,
    }
    mappings = {
      '_id':{'path':'cra_url'}
    }


class exchangeratespiderespipeline(doctype):
  from elasticsearch5 import elasticsearch
  es = ['192.168.52.138:9200']
  es = elasticsearch(es,sniff_on_start=true)

  def process_item(self, item, spider):

    spider.logger.info("-----enter into insert es")
    article = aticletype()

    article.page_from=item['page_from']
    article.domain=item['domain']
    article.cra_url =item['cra_url']
    article.spider =item['spider']
    article.cra_time =item['cra_time']
    article.page_release_time =item['page_release_time']
    article.page_title =item['page_title']
    article.page_content =item['page_content']

    article.save()
    return item

以上方法能将数据写入es,但是如果重复爬取的话,会重复插入数据,因为 主键 ”_id” 是es自己产生的,找不到自定义_id的入口。于是放弃。

方法二:实现自定义主键写入,覆盖插入

# -*- coding: utf-8 -*-

# define your item pipelines here
#
# don't forget to add your pipeline to the item_pipelines setting
# see: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from elasticsearch5 import elasticsearch

class sinafinancespiderpipeline(object):
  def process_item(self, item, spider):
    return item


# 写入到es中,需要在settings中启用这个类 exchangeratespiderespipeline
# 需要安装pip install elasticsearch-dsl==5.1.0 注意与es版本需要对应
class sinafinancespiderespipeline():
  def __init__(self):
    self.es = ['192.168.52.138:9200']
    # 创建es客户端
    self.es = elasticsearch(
      self.es,
      # 启动前嗅探es集群服务器
      sniff_on_start=true,
      # es集群服务器结点连接异常时是否刷新es结点信息
      sniff_on_connection_fail=true,
      # 每60秒刷新节点信息
      sniffer_timeout=60
    )

  def process_item(self, item, spider):
    spider.logger.info("-----enter into insert es")
    doc = {
      'page_from': item['page_from'],
      'domain': item['domain'],
      'spider': item['spider'],
      'page_release_time': item['page_release_time'],
      'page_title': item['page_title'],
      'page_content': item['page_content'],
      'cra_url': item['cra_url'],
      'cra_time': item['cra_time']
    }
    self.es.index(index='scrapy', doc_type='sinafinance', body=doc, id=item['cra_url'])

    return item

搜索数据的方法:

# 字典形式设置body
query = {
 'query': {
  'bool': {
   'must': [
    {'match': {'_all': 'python web'}}
   ],
   'filter': [
    {'term': {'status': 2}}
   ]
  }
 }
}
ret = es.search(index='articles', doc_type='article', body=query)

# 查询数据
data = es.search(index='articles', doc_type='article', body=body)
print(data)
# 增加
es.index(...)
# 修改
es.update(...)
# 删除
es.delete()

完成后

在settings.py模块中注册自定义的类

item_pipelines = {
  # 'sinafinancespider.pipelines.sinafinancespiderpipeline': 300,
  'sinafinancespider.pipelines.sinafinancespiderespipeline': 300,
}

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。