前言

保存本地

存储Json数据

配置setting

保存数据库

创建数据库

创建表

编写pipelines

配置setting

本文是对上篇文章所讲的代码进一步优化，回看可以点这里，代码就直接在上一篇代码中进行改造，没有的小伙伴可以在这里下载。

前言

Scrapy 提供了 pipeline 模块来执行保存数据的操作。在创建的 Scrapy 项目中自动创建了一个 pipeline.py 文件，同时创建了一个默认的 Pipeline 类。我们可以根据需要自定义 Pipeline 类，然后在 settings.py 文件中进行配置即可。

保存本地

存储Json数据

找到pipelines.py文件，编写下面代码：

这里用到了json包，如果没有的小伙伴可以直接在命令窗口进行下载，下载代码：

pip install json

1

回到hotel.py文件，将“print(item)”改成“yeild item”

配置setting

打开pipelines通道注释，在里面新增一条我们在pipelines中添加的记录

到这里，代码就已经写好了，下面就运行起来看看。

运行成功后会在目录下多出一个文件出来。如图：

打开可以看看：

就是我们想要的。其实pipelines也是很简单，在新增一个pipelines时，只要重写“process_item”方法就可以了。

保存数据库

创建数据库

使用命令创建数据库

CREATE DATABASE `crawler`

1

也可以使用工具创建数据库，我这里是使用Navicat工具创建的。

创建表

使用命令创建表

CREATE TABLE `qunar_city` (

`id`  int NOT NULL AUTO_INCREMENT COMMENT '主键' ,

`name`  varchar(50) NULL COMMENT '城市' ,

`url`  varchar(500) NULL COMMENT 'url' ,

PRIMARY KEY (`id`)

);

1

2

3

4

5

6

使用工具创建表

编写pipelines

在新增一个pipelines

添加相应的包

配置setting

到这里，代码就基本写完了，下面我们运行起来看看。

爬取数据输出结果

数据保存数据库的结果

在图上可以看出，爬取的数据结果是没有错的，但是在保存数据的时候出错了，出现重复数据。那为什么会造成这种结果呢？

其原因是由于Spider的速率比较快，而scapy操作数据库操作比较慢，导致pipeline中的方法调用较慢，这样当一个变量正在处理的时候，一个新的变量过来，之前的变量的值就会被覆盖。

就比如pipline的速率是1TPS，而spider的速率是5TPS，那么数据库应该会有5条重复数据。

解决方案是对变量进行保存，在保存的变量进行操作，通过互斥确保变量不被修改。

下面将代码进行改造一下：

并在头部到了copy包

import copy

1

没有copy包的小伙伴可以在命令窗口进行下载

pip install copy

1

然后先把数据库的数据清空一下，在来运行看看：

现在数据就正常了，可以看到总数据才950条，不像之前那样上千条。

文中代码部分都是用图片的，目的是希望小伙伴们可以直接上手自己敲，代码只有敲多了才能记得更牢，才能学的更快。

本文源代码会在下面给出，如果有什么不懂的地方可以直接下载源代码查看。

因为本人也是一名初学者，如果有什么好的建议欢迎大家在评论中写出，大家一起学习！