上節說到Pipeline會攔截item，根據設置的優先級，item會依次經過這些Pipeline，所以可以通過Pipeline來保存文件到json、數據庫等等。

下面是自定義json

#存儲item到json文件
class JsonWithEncodingPipeline(object):
    def __init__(self):
        #使用codecs模塊來打開文件，可以幫我們解決很多編碼問題,下面先初始化打開一個json文件
        import codecs
        self.file = codecs.open(‘article.json‘,‘w‘
 
,encoding=‘utf-8‘)
    #接著創建process_item方法執行item的具體的動作
    def process_item(self, item, spider):
        import json
        #註意ensure_ascii入參設置成False，否則在存儲非英文的字符會報錯
        lines = json.dumps(dict(item),ensure_ascii=False) + "\n"
        self.file.write(lines)
        #註意最後需要返回item，因為可能後面的Pipeline會調用它
 

        return item
    #最後關閉文件
    def spider_close(self,spider):
        self.file.close()

scrapy內置了json方法：

from scrapy.exporters import JsonItemExporter

除了JsonItemExporter，scrapy提供了多種類型的exporter

class JsonExporterPipeline(object):
    #調用scrapy提供的json export導出json文件
    def __init__(self):
        
 
#打開一個json文件
        self.file = open(‘articleexport.json‘,‘wb‘)
        #創建一個exporter實例,入參分別是下面三個，類似前面的自定義導出json
        self.exporter = JsonItemExporter(self.file,encoding=‘utf-8‘,ensure_ascii=False)
        #開始導出
        self.exporter.start_exporting()
    def close_spider(self,spider):
        #完成導出
        self.exporter.finish_exporting()
        #關閉文件
        self.file.close()
    #最後也需要調用process_item返回item
    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

和自定義json相比，存的文件由【】

通過源碼可以看到如下：

接著是如何把數據存儲到mysql，我這開發環境是ubuntu，支持的mysql-client工具不多，免費的就用Mysql Workbench,也可以使用navicat（要收費）

spider要創建的一張表，和ArticleSpider項目裏的item一一對應就行。

然後接下來是配置程序連接mysql

這裏我使用第三方庫pymysql來連接mysql，安裝方式很簡單，可以使用pycharm內置的包安裝，也可以在虛擬環境用pip安裝

然後直接在pipline裏創建mysql的pipline

import pymysql
class MysqlPipeline(object):
    def __init__(self):
        """
        初始化，建立mysql連接conn，並創建遊標cursor
        """
        self.conn = pymysql.connect(
            host=‘localhost‘,
            database=‘spider‘,
            user=‘root‘,
            passwd=‘123456‘,
            charset=‘utf8‘,
            use_unicode=True
        )
        self.cursor = self.conn.cursor()
    def process_item(self,item,spider):
        #要執行的sql語句
        insert_sql = """
            insert into jobbole_article(title,create_date,url,url_object_id,
            front_image_url,front_image_path,praise_num,comment_num,fav_num,tags,content)
            VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
        """
        #使用遊標的execute方法執行sql
        self.cursor.execute(insert_sql,(item["title"],item[‘create_date‘],
                                        item[‘url‘],item[‘url_object_id‘],
                                        item[‘front_image_url‘],item[‘front_image_path‘],
                                        item[‘praise_num‘],item[‘comment_num‘],item[‘fav_num‘],
                                        item[‘tags‘],item[‘content‘]))
        #commit提交才能生效
        self.conn.commit()
        return item

上面的這種mysql存儲方式是同步的，也就是execute和commit不執行玩，是不能繼續存儲數據的，而且明顯的scrapy爬取速度會比數據存儲到mysql的速度快些，

所以scrapy提供了另外一種異步的數據存儲方法（一種異步的容器，還是需要使用pymysql）

首先把mysql的配置連接信息寫進setting配置文件，方便後期修改

MYSQL_HOST = "localhost"
MYSQL_DBNAME = ‘spider‘
MYSQL_USER = "root"
MYSQL_PASSWORD = "123456"

接著在pipeline中導入scrapy提供的異步的接口：adbapi

from twisted.enterprise import adbapi

完整的pipeline如下：

class MysqlTwistedPipeline(object):
    #下面這兩個函數完成了在啟動spider的時候，就把dbpool傳入進來了
    def __init__(self,dbpool):
        self.dbpool = dbpool

    #通過下面這種方式，可以很方便的拿到setting配置信息
    @classmethod
    def from_settings(cls,setting):
        dbparms = dict(
        host = setting[‘MYSQL_HOST‘],
        db = setting[‘MYSQL_DBNAME‘],
        user = setting[‘MYSQL_USER‘],
        password = setting[‘MYSQL_PASSWORD‘],
        charset = ‘utf8‘,
        #cursorclass = pymysql.cursors.DictCursor,

        use_unicode = True,

        )

        #創建連接池，
        dbpool = adbapi.ConnectionPool("pymysql",**dbparms)

        return cls(dbpool)

    # 使用twisted將mysql插入變成異步執行
    def process_item(self, item, spider):
        # 指定操作方法和操作的數據
        query = self.dbpool.runInteraction(self.do_insert,item)
        #處理可能存在的異常，hangdle_error是自定義的方法
        query.addErrback(self.handle_error,item,spider)

    def handle_error(self,failure,item,spider):
        print(failure)

    def do_insert(self,cursor,item):
        #執行具體的插入
        # 根據不同的item 構建不同的sql語句並插入到mysql中
        insert_sql = """
                       insert into jobbole_article(title,create_date,url,url_object_id,
                       front_image_url,front_image_path,praise_num,comment_num,fav_num,tags,content)
                       VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)
                   """
        # 使用遊標的execute方法執行sql
        cursor.execute(insert_sql, (item["title"], item[‘create_date‘],
                                         item[‘url‘], item[‘url_object_id‘],
                                         item[‘front_image_url‘], item[‘front_image_path‘],
                                         item[‘praise_num‘], item[‘comment_num‘], item[‘fav_num‘],
                                         item[‘tags‘], item[‘content‘]))

註意：導入pymysql需要單獨導入cursors

import pymysql
import pymysql.cursors

一般我們只需要修改do_insert方法內容就行

還有，傳遞給的item要和數據表的字段對應上，不能以為不傳值就會自動默認為空（但是存儲到json文件就是這樣）

第九篇 數據表設計和保存item到json文件