Python Scrapy 爬虫框架 | 5、利用 pipelines 和 settings 将爬取数据存储到 MongoDB

• 2019 年 12 月 31 日
• 筆記

0x00 前言

前文中讲到了将爬取的数据导出到文件中，接下来就在前文的代码基础之上，将数据导出到 MongoDB中。

0x01 配置 pipelines.py

首先来到 pipelines.py 文件下，在这里写入连接操作数据库的一些功能。

将连接操作 mongo 所需要的包导入进来

import pymongo

接下来定义一些参数，注意下面的函数都是在 TeamssixPipeline 类下的

@classmethod  def from_crawler(cls, crawler):  cls.DB_URL = crawler.settings.get('MONGO_DB_URI')  cls.DB_NAME = crawler.settings.get('MONGO_DB_NAME')  return cls()    def open_spider(self, spider):  self.client = pymongo.MongoClient(self.DB_URL)  self.db = self.client[self.DB_NAME]    def close_spider(self, spider):  self.client.close()    def process_item(self, item, spider):  collection = self.db[spider.name]  collection.insert_one(dict(item))  return item

0x02 配置 settings.py

ITEM_PIPELINES 是settings.py 文件自带的，把注释符号删掉就好

ITEM_PIPELINES = {  'teamssix.pipelines.TeamssixPipeline': 300,  #优先级，1-1000，数值越低优先级越高  }  MONGO_DB_URI = 'mongodb://localhost:27017'  #mongodb 的连接 url  MONGO_DB_NAME = 'blog'  #要连接的库

0x02 运行

直接执行命令，不加参数

scrapy crawl blogurl

注意，如果原来 MongoDB 中没有我们要连接的库， MongoDB 会自己创建，就不需要自己创建了，所以还是蛮方便的，使用 Robo 3T 打开后，就能看到刚才存进的数据。

参考链接： https://youtu.be/aDwAmj3VWH4 http://doc.scrapy.org/en/latest/topics/architecture.html https://lemmo.xyz/post/Scrapy-To-MongoDB-By-Pipeline.html