python网络爬虫-数据储存（七）

数据储存

主要介绍两种数据储存方法：

1. 储存在文件中，包括text文件和csv文件
2. 存储在数据库中，包括MySQL关系型数据库和mongoDB数据库

存储到txt

title = "第一个文本"
# W创建写入  W+创建读取+写入
# R读取 r+读取+写入
# A 写入 a+ 读取写入  附加
with open(r'C:\Users\K1567\Desktop\title.txt', "a+") as f:
    f.write(title)
    f.close()
 
output = '\t'.join(['name', 'title', 'age', 'gender'])
with open(r'C:\Users\K1567\Desktop\title.txt', "a+") as f:
    f.write(output)
    f.close()
 
output = '\t'.join(['name', 'title', 'age', 'gender'])
 
with open(r'C:\Users\K1567\Desktop\title.txt', "r") as f:
    resulf = f.read()
    print(resulf)

存储到csv

# 逗号分隔行，换行分隔列
with open(r'C:\Users\K1567\Desktop\test.csv', 'r', encoding='UTF-8') as csvfile:
    csv_reader = csv.reader(csvfile)
    for row in csv_reader:
        print(row)
        print(row[0])
 
output_list = ['1', '2', '3', '4']
with open(r'C:\Users\K1567\Desktop\test2.csv', 'a+', encoding='UTF-8', newline='') as csvfile:
    w = csv.writer(csvfile)
    w.writerow(output_list)

存储至MySQL数据库

安装MySQL数据库

具体步骤另外搜一搜就好了，有两种安装方式，一种是在线安装，一种离线安装。在线安装的这个比较麻烦没有成功过，本人用的离线安装的。
1.在线的参考一下这个：https://blog.csdn.net/theLostLamb/article/details/78797643
离线安装：
1.先下载好压缩包：zip包下载地址：https://dev.mysql.com/downloads/file/?id=476233，进入页面后可以不登录。点击底部“No thanks, just start my download.”即可开始下载。
2.安装： 解压zip包到安装目录---配置初始化的my.ini文件

点击查看代码

[mysqld]
 
# 设置3306端口
 
port=3306
 
# 设置mysql的安装目录
 
basedir=E:\DownLoad\mysql\mysql-8.0.27-winx64
 
# 设置mysql数据库的数据的存放目录
 
datadir=E:\DownLoad\mysql\mysql-8.0.27-winx64\data
 
# 允许最大连接数
 
max_connections=200
 
# 允许连接失败的次数。这是为了防止有人从该主机试图攻击数据库系统
 
max_connect_errors=10
 
# 服务端使用的字符集默认为UTF8
 
character-set-server=utf8
 
# 创建新表时将使用的默认存储引擎
 
default-storage-engine=INNODB
 
# 默认使用“mysql_native_password”插件认证
 
default_authentication_plugin=mysql_native_password
 
[mysql]
 
# 设置mysql客户端默认字符集
 
default-character-set=utf8

注意：其中的data目录不需要创建，下一步初始化工作中会自动创建。
3.cmd进入bin文件夹
通过管理员权限进入cmd（如果不是管理员权限就会出现问题），进入MySQL安装目录的bin目录下

4.初始化数据库：mysqld --initialize --console
执行完成后，会打印 root 用户的初始默认密码

要是你手贱，关快了，或者没记住，那也没事，删掉初始化的 datadir 目录，再执行一遍初始化命令，又会重新生成的。
5.安装服务：mysqld --install [服务名] 后面的服务名可以不写，默认的名字为 mysql。当然，如果你的电脑上需要安装多个MySQL服务，就可以用不同的名字区分了，比如 mysql5 和 mysql8。安装完成之后，就可以通过命令net start mysql启动MySQL的服务了。通过命令net stop mysql停止服务。通过命令sc delete MySQL/mysqld -remove卸载 MySQL 服务
6.更改密码：mysql -u root -p
这时候会提示输入密码，记住了上面第3.1步安装时的密码，填入即可登录成功，进入MySQL命令模式。
在MySQL中执行命令：
ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY '新密码';
可以用 命令查看一下默认安装的数据库：
show databases;
use mysql;
show tables;

创建数据库

-- 创建数据库
CREATE DATABASE scraping
-- 切换数据库
USE scraping
-- 创建表
CREATE TABLE urls(id int not null auto_increment,
url varchar(1000) not null,
content varchar(4000) not null,
created_time timestamp default current_timestamp,
primary key (id)
)

连接操作MySQL

# 创建数据库连接
conn = MySQLdb.Connection(host='localhost', user='root', passwd='123456', db='scraping')
# 创建游标
cur = conn.cursor()
# 写入纯SQL语句
cur.execute("insert  into urls (url,content)VALUES('www.baidu.com','百度')")
# 关闭游标
cur.close()
# 执行SQL
conn.commit()
# 关闭连接
conn.close()

连接MongoDB

安装mongdb

1.下载安装包，有安装版的可执行文件，一直Next就可以安装，免安装版的要解压到本地计算机。在解压的目录下新建data和logs文件夹，新建mongo.config文件，在data文件下新建db文件夹，mongo.conf文件添加配置信息如下：

dbpath=E:\DownLoad\MongoDB\mongodb-win32-x86_64-2012plus-4.2.18-rc0-12-gbe2c559\data\db #数据库路径
logpath=E:\DownLoad\MongoDB\mongodb-win32-x86_64-2012plus-4.2.18-rc0-12-gbe2c559\logs\mongo.log #日志输出文件路径
logappend=true #错误日志采用追加模式
journal=true #启用日志文件，默认启用
quiet=true #这个选项可以过滤掉一些无用的日志信息，若需要调试使用请设置为false
port=27017 #端口号 默认为27017

2.启动mongdb
打开命令行窗口（cmd打开）--cd 跳转到mongodb的bin目录下--执行命令告诉mongodb自己要把数据存放到哪里，在命令行输入：mongod -dbpath E:\mongodbFiles\db\data （根据自己刚才创建的data文件夹路径，此处为我创建的实际路径）
mongodb默认连接端口27017，如果出现如图的情况，在浏览器访问：http://localhost:27017
3.打开新的cmd命令行窗口，之前的不要关闭。
在新的命令行cd到mongodb的bin目录下，继而输入命令：mongod --config D:\software\professional\mongoDB\mongo.config --install -serviceName "MongoDB"
这一步是告诉mongodb，配置文件的方法，并将mongodb作为系统服务启动。
命令行窗口（cmd）输入services.msc命令——查看服务可以看到MongoDB服务，点击可以启动。
弹出窗口如下，找到MongoDB服务，双击MongoDB项（此处我的已经启动了），弹出窗口点击启动，并将启动类型设置为自动：至此已经完全配置完毕。

操作mongdb

1.使用mongodb有两种启动方式，一种是以程序的方式打开另外一种是以window服务的方式打开

//查看所有数据库
show dbs

使用python操作mongdb

client = MongoClient('localhost', 27017)
db = client.blog_database
collection = db.blog
 
link = "http://www.santostang.com/"
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
}
 
r = requests.get(link, headers=headers)
soup = BeautifulSoup(r.text, "html.parser")
title_list = soup.find_all('h1', class_="post-title")
for h in title_list:
    url = h.a['href']
    title = h.a.text.strip()
    post = {
        "url": url,
        "title": title,
        "date": datetime.datetime.utcnow()
    }
    collection.insert_one(post)

MongoDB爬虫实践：虎扑论坛

使用mongodb的类，可以很方便的连接数据库，提取数据库中的内容，向数据库中加入数据以及更新数据库中的数据。

# coding=utf-8
from pymongo import MongoClient
 
 
class MongoAPI(object):
	def __init__(self, db_ip, db_port, db_name, table_name):
		self.db_ip = db_ip
		self.db_port = db_port
		self.db_name = db_name
		self.table_name = table_name
		self.conn = MongoClient(host=self.db_ip, port=self.db_port)
		self.db = self.conn[self.db_name]
		self.table = self.db[self.table_name]
 
# 获取数据库中的第一条数据
def get_one(self, query):
    return self.table.find_one(query, projection={"_id": False})
 
# 获取数据库满足条件的所有数据
def get_all(self, query):
    return self.table.find(query)
 
# 向集合中添加数据
def add(self, kv_dict):
    return self.table.insert_one(kv_dict)
 
# 删除集合中的数据
def delete(self, query):
    return self.table.delete_many(query)
 
# 查看集合中是否包含满足条件的数据  找到了返回True  没找到返回False
def check_exist(self, query):
    ret = self.table.find_one(query)
    return ret != None
 
# 更新集合中的数据在集合中找不到就会增加一条数据
def update(self, query, kv_dict):
    self.table.update_one(query, {"$set": kv_dict}, update=True)

---

from MongoAPI import MongoAPI
# 连接数据库hupu中的post集合。
hupu_post = MongoAPI("localhost", 27017, "hupu", "post")
for i in range(1, 11):
    link = "https://bbs.hupu.com/bxj" + "-" + str(i)
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
    }
    r = requests.get(link, headers=headers)
    suop = BeautifulSoup(r.text, "html.parser")
 
    li_list = suop.find_all("li", class_="bbs-sl-web-post-body")
    for li in li_list:
        title = li.find('div', class_="post-title").a.text.strip()
        title_link = li.find('div', class_="post-title").a["href"]
        datum = li.find("div", class_="post-datum").text.strip()
        reply = datum.split('/')[0]
        browse = datum.split('/')[1]
        author = li.find("div", class_="post-auth").text.strip()
        start_date = li.find("div", class_="post-time").text.strip()
        # data = datetime.datetime.strptime(start_date, '%Y-%m-%d').date()
        # 添加数据
        hupu_post.update(
            {"title": title, "title_link": title_link, "reply": reply, "browse": browse, "author": author,
             "data": start_date})
        print(title, title_link, reply, browse, author, start_date)
    time.sleep(1)