scrapy爬虫框架调用百度地图api数据存入数据库

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 :http://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 = 'http://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()

重复数据的话,fecthOne直接排除 ,入库。。。。,

4)执行脚本 scray crawl map

scrapy crawl map

name 要写对哦

scrapy爬虫框架调用百度地图api数据存入数据库

回车 ,开始 唰唰唰

scrapy爬虫框架调用百度地图api数据存入数据库

成果如下:

scrapy爬虫框架调用百度地图api数据存入数据库

    

期间 ,百度地图 api 多次并发,不让访问了,多爬几次就好了,程序逻辑 晓得就好了。

 接口api爬完了,下次爬一爬 页面xpath上的内容。

上一篇:C语言混乱代码大赛


下一篇:SQL 按特定字段值排序