一、简单的介绍一下scrapy 官方文档自带的代码比较多但是改的地方比较少,而第二种方发 代码量较少,但是改的地方较多。
1、第一种方法;官方文档法。我们可以去settings中复制文档网址进官方文档进行复制粘贴。(pipeline中只需要修改三处,)
https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import pymongo
class MongoPipeline(object):
collection_name = 'scrapy_items' # 这里的地方是连接的数据库表的名字
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'), # get中有两个参数,一个是 配置的MONGO_URL ,另一个是localhost
mongo_db=crawler.settings.get('MONGO_DATABASE', 'items') # 这里的两个参数,第一个是数据库配置的.第二个是它的表的数据库的名字
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
self.db[self.collection_name].insert_one(dict(item))
return item
2、接下来是settings 的配置。
MONGO_URL = 'localhost'
MONGO_DATABASE = 'item' # 数据库的名字.
二、第二种方法是自己定义的mongodb数据库
1、这里只需定义pipelines,在settings中无需配置,代码如下。
import pymongo
class JobsPipeline(object):
def process_item(self, item, spider):
# 参数1 {'zmmc': item['zmmc']}: 用于查询表中是否已经存在zmmc对应的documents文档。
# 参数2 要保存或者更新的数据
# 参数3 True: 更新(True)还是插入(False, insert_one())
self.db['job'].update_one({'zmmc': item['zmmc']}, {'$set': dict(item)}, True) # job为连接数据库表的名字
return item
def open_spider(self, spider):
self.client = pymongo.MongoClient('localhost')
self.db = self.client['jobs'] # jobs 为连接数据库名字
2、以上的两种的方法仅供参考。