Scrapy + Mongodb初次使用

一直想用Python做爬虫爬些东西,看上一家网站的书觉得不错就开始用爬虫下手爬了!

  • 开始爬虫工作的第一步使用 scrapy startproject BookSpider创建项目文件

  • 创建完成并修改后的文件目录:


    Screen Shot 2015-08-10 at 17.49.52.png
  • dmoz_spider.py 中定义了用来爬取网站的Spider

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["salttiger.com"]
    start_urls = [
        "http://www.salttiger.com/category/ebooks/"
    ]

    def parse(self, response):
            item = BookspiderItem()

            title = response.xpath(".//*/header/h1/a/text()").extract()
            item['title'] =[t.encode('utf-8') for t in title]
            url = response.xpath(".//*/header/h1/a/@href").extract()
            item['url'] = [t.encode('utf-8') for t in url]
            image = response.xpath(".//*/div/p[1]/img/@src").extract()
            item['image'] = [t.encode('utf-8') for t in image]

            for t in title:
                print(t.encode('utf-8'))

            yield item
            urls = response.xpath(".//*[@id='nav-below']/div/a[@class='page larger']/@href").extract()
            for ul in urls:
                print (urls)
                yield Request(ul, callback=self.parse)
  • 自定义pipline文件将数据写入mongodb和本地:
FILE_NAME = 'meizi_images'

class MongoPipline(object):

    collection_name = 'scrapy_items'

    def __init__(self):
        connection = pymongo.MongoClient(settings['MONGODB_SERVER'], settings['MONGODB_PORT'])
        db = connection[settings['MONGODB_DB']]
        self.collection = db[settings['MONGODB_COLLECTION']]


    def process_item(self, item, spider):
        abs_path = get_abs_path(item)
        save_to_folder(item, abs_path)
        self.collection.insert(dict(item))

        return item

def get_abs_path(item):
    abs_path = os.path.join(os.getcwd(), FILE_NAME)
    print ("DDDDDDDDDDD")
    print (item['title'])
    print ("DDDDDDDDDDD")
    if not os.path.exists(abs_path):
        os.mkdir(abs_path)
    for uri in item['title']:
        abs_paths = os.path.join(abs_path, uri)

        if not os.path.exists(abs_paths):
            os.mkdir(abs_paths)
            yield abs_paths

def save_to_folder(item, abs_path):

    m = []

    for url in item['image']:
        img_name ='1.jpg'
        img_abs_path = os.path.join(abs_path.next(), img_name)
        m.append(img_abs_path)
        print(m)
        item['localImage'] = m
        urllib.urlretrieve(url, img_abs_path)


完整的项目文件:github

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,657评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,662评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,143评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,732评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,837评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,036评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,126评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,868评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,315评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,641评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,773评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,859评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,584评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,676评论 2 351

推荐阅读更多精彩内容