1、保存数据库有两种方法：
同步操作：数据量少的时候采用
异步操作：数据量大时采用，scrapy爬取的速度大于数据库插入的速度，当数据量大时就会出现堵塞，就需要采用异步保存。
这里多大的数据量才可定义为大？？
2、须知mysql知识点
数据库与表的创建，基本操作； 参考https://blog.csdn.net/shalyniu/article/details/79247423
数据库与表的删除，使用频率少； 参考https://blog.csdn.net/shalyniu/article/details/79247423
插入数据，在爬虫时执行频率非常之高； insert into test_table(colname1,colname2,……) values(value1,value2,……)
查询数据；select * from test_table
3、mysql数据库的安装
参考https://www.cnblogs.com/raind/p/8977135.html
4、python提供的MySQLdb/pymysql模块
pymsql是Python中操作MySQL的模块，其使用方法和MySQLdb几乎相同。
pymysql支持python3.x而MySQLdb不支持3.x版本。
我使用的为pymsql
①连接数据库
connect = pymysql.connect(host='XXX', user='root', passwd='XXX', db='scrapy_test') 连接数据库过程中传入多个参数：数据库主机名（默认为本地主机），数据库登录名（默认为当前用户），数据库密码（默认为空），要打开的数据库名称（无默认，可缺省），MySQL使用的TCP端口（默认为3306，可缺省），数据库字符编码（可缺省）
②获取游标
cur = connect.cursor()
游标就像是鼠标一样，后续操作数据库全部靠游标，使用游标的execute命令来执行。
③执行数据库命令
cur.execute("DELETE FROM XX表名") #执行sql语句
注：
在括号内填写sql语句的时候不需要加分号来提示语句结束。
④提交数据库执行
connect.commit()
针对增删改的操作，需要提交后才会真正的保存到数据库中。⑤关闭数据库
connect.close()⑥数据库回滚
在语句执行错误的时候，使用回滚操作来撤回该语句的执行。
try:
cur.execute("create database python")
connect.commit()
except:
connect.rollback()
5、【方法一：同步操作】pipelines.py文件（处理数据的python文件）
import pymysql
class LvyouPipeline(object):
def __init__(self):
# connection database
self.connect = pymysql.connect(host='XXX', user='root', passwd='XXX', db='scrapy_test') # 后面三个依次是数据库连接名、数据库密码、数据库名称
# get cursor
self.cursor = self.connect.cursor()
print("连接数据库成功")
def process_item(self, item, spider):
# sql语句
insert_sql = """
insert into lvyou(name1, address, grade, score, price) VALUES (%s,%s,%s,%s,%s)
"""
# 执行插入数据到数据库操作
self.cursor.execute(insert_sql, (item['Name'], item['Address'], item['Grade'], item['Score'],
item['Price']))
# 提交，不进行提交无法保存到数据库
self.connect.commit()
def close_spider(self, spider):
# 关闭游标和连接
self.cursor.close()
self.connect.close()配置settings文件：
运行成功！！！
【方法二：异步操作】pipelines.py文件（处理数据的python文件）
通过twisted实现数据库异步插入，twisted模块提供了 twisted.enterprise.adbapi
1. 导入adbapi
2. 生成数据库连接池
3. 执行数据数据库插入操作
4. 打印错误信息，并排错
import pymysql
from twisted.enterprise import adbapi
# 异步更新操作
class LvyouPipeline(object):
def __init__(self, dbpool):
self.dbpool = dbpool
@classmethod
def from_settings(cls, settings): # 函数名固定，会被scrapy调用，直接可用settings的值
"""
数据库建立连接
:param settings: 配置参数
:return: 实例化参数
"""
adbparams = dict(
host=settings['MYSQL_HOST'],
db=settings['MYSQL_DBNAME'],
user=settings['MYSQL_USER'],
password=settings['MYSQL_PASSWORD'],
cursorclass=pymysql.cursors.DictCursor # 指定cursor类型
)
# 连接数据池ConnectionPool，使用pymysql或者Mysqldb连接
dbpool = adbapi.ConnectionPool('pymysql', **adbparams)
# 返回实例化参数
return cls(dbpool)
def process_item(self, item, spider):
"""
使用twisted将MySQL插入变成异步执行。通过连接池执行具体的sql操作，返回一个对象
"""
query = self.dbpool.runInteraction(self.do_insert, item) # 指定操作方法和操作数据
# 添加异常处理
query.addCallback(self.handle_error) # 处理异常
def do_insert(self, cursor, item):
# 对数据库进行插入操作，并不需要commit，twisted会自动commit
insert_sql = """
insert into lvyou(name1, address, grade, score, price) VALUES (%s,%s,%s,%s,%s)
"""
self.cursor.execute(insert_sql, (item['Name'], item['Address'], item['Grade'], item['Score'],
item['Price']))
def handle_error(self, failure):
if failure:
# 打印错误信息
print(failure)6、所遇到的坑
1、python 3.x 不再支持MySQLdb，它在py3的替代品是： import pymysql。
2、报错pymysql.err.ProgrammingError: (1064, ……
原因：当item['quotes']里面含有引号时，可能会报上述错误
解决办法：使用pymysql.escape_string()方法
例如：
sql = """INSERT INTO video_info(video_id, title) VALUES("%s","%s")""" % (video_info["id"],pymysql.escape_string(video_info["title"]))
3、存在中文的时候，连接需要添加charset='utf8'，否则中文显示乱码。
4、每执行一次爬虫，就会将数据追加到数据库中，如果多次的测试爬虫，就会导致相同的数据不断累积，怎么实现增量爬取？
scrapy-deltafetch
scrapy-crawl-once（与1不同的是存储的数据库不同）
scrapy-redis
scrapy-redis-bloomfilter(3的增强版，存储更多的url,查询更快)
源码地址：https://github.com/GJHL/ScrapyMySQL
