scrapy爬虫框架调用百度地图api数据存入数据库

2021 年 4 月 30 日
笔记
Python, Scrapy

scrapy安装配置不在本文提及，

1.在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令

scrapy startproject mySpider

其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：
下面来简单介绍一下各个主要文件的作用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

　　 mySpider/spiders/__init__.py ：爬虫主要处理逻辑

2. 今天通过爬虫调用百度地图api来获取全国学校的经纬度信息并入库。

百度地图接口api ://api.map.baidu.com/place/v2/search?query=小学、中学或者大学&region=地市名字&output=json&ak=你的开发者ak&page_num=页码

　　1）打开mySpider目录下的items.py

Item 定义结构化数据字段，用来保存爬取到的数据，也是爬取数据后导出的字段，有点像Python中的dict字典，但是提供了一些额外的保护减少错误。

　　　　可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field的类属性来定义一个Item。

　　　　items.py

 1 import scrapy
 2 
 3 
 4 class GetpointItem(scrapy.Item):
 5     # define the fields for your item here like:
 6     # name = scrapy.Field()
 7     name = scrapy.Field()  #学校名称
 8     lat = scrapy.Field()   #纬度
 9     lng = scrapy.Field()   #经度11     city = scrapy.Field()  #地市
12     area = scrapy.Field()  #区县
13     address = scrapy.Field()  #地址
14     types = scrapy.Field()    #学校类型（小学，中学，大学）

　　2) 打开 mySpider/spiders目录里的 __init__.py写逻辑，直接上代码，有注释

 1 import scrapy
 2 import json
 3 from urllib.parse import urlencode
 4 from .. import items
 5 class DmozSpider(scrapy.Spider):
 6     name = "map"
 7     allowed_domains = []
 8     #三层循环数组分别请求api，由于百度api返回的数据不是所有，所以必须传入页码，来爬取更多数据。
10     def start_requests(self):
11         cities = ['北京','上海','深圳']14         types =['小学','中学','大学']
15         for city in cities:
16             for page in range(1, 16):
17                 for type_one in types:
18                     base_url = '//api.map.baidu.com/place/v2/search?'
19                     params = {
20                         'query': type_one,
21                         'region': city,
22                         'output':'json',
23                         'ak': '你的ak',
25                         'page_num': page
26                     }
27                     url = base_url + urlencode(params)
28                     yield scrapy.Request(url, callback=self.parse,meta={"types":type_one})
29 
30     def parse(self, response):
31         res = json.loads(response.text) #请求回来数据需转成json
32         result= res.get('results')
33         types = response.meta["types"]  #由于api返回来数据没有学校type的数据，这里需要自己接一下 传参时的type参数
34         #print(types)
35         if result:
36             for result_one in result:
37                 item = items.GetpointItem() #调用item的GetpointItem类，导出item
38                 item['name'] = result_one.get('name')
39                 item['lat'] = result_one.get('location').get('lat')
40                 item['lng'] = result_one.get('location').get('lng')42                 item['city'] = result_one.get('city')
43                 item['area'] = result_one.get('area')
44                 item['types'] = types
45                 item['address'] = result_one.get('address')
46                 yield item
47         else:
48              print('网络请求错误')

　　3）item导出来了，数据获取到了，然后入库，打开pipelines.py ，代码如下：

from itemadapter import ItemAdapter
import pymysql
import json

class DBPipeline(object):
    def __init__(self):
        # 连接MySQL数据库
        self.connect=pymysql.connect(host='localhost',user='root',password='1q2w3e',db='mapspider',port=3306)
        self.cursor=self.connect.cursor()
    def process_item(self, item, spider):
        # 往数据库里面写入数据
        try:
            self.cursor.execute("""select * from school where name = %s""", item['name'])
            ret = self.cursor.fetchone()
            if ret:
                print(item['name']+'***********数据重复！***************')
            else:
                self.cursor.execute(
                """insert into school(name, lng, lat, type,city,county,address)
                value (%s, %s, %s, %s, %s, %s, %s)""",
                (
                 item['name'],
                 json.dumps(item['lng']),
                 json.dumps(item['lat']),
                 item['types'],
                 item['city'],
                 item['area'],
                 item['address']
                 ))
                self.connect.commit()
                return item
        except Exception as eror:
            print('错误')
    # 关闭数据库
    def close_spider(self,spider):
        self.cursor.close()
        self.connect.close()