用python实现scrapy框架的爬虫,将数据存在桌面的csv格式并存入mysql数据库。 初始页面为https://lishi.tianqi.com/beijing/index.html, 点击“选择月份”为8、9、10后分别跳转到https://lishi.tianqi.com/beijing/202208.html,https://lishi.tianqi.com/beijing/202209.html,https://lishi.tianqi.com/beijing/202210.html, 在scrapy中实现自动翻页效果
时间: 2023-06-22 10:40:47 浏览: 154
好的,这是一个比较完整的爬虫项目,需要考虑很多方面。下面是一个大致的思路:
1. 创建一个 Scrapy 项目,定义好 Item 和 Spider。
2. 在 Spider 中定义初始页面和翻页的规则。首先要爬取的是 https://lishi.tianqi.com/beijing/index.html 这个页面,然后在该页面中找到“选择月份”的链接,用它来构造翻页规则,例如:
```python
start_urls = ["https://lishi.tianqi.com/beijing/index.html"]
def parse(self, response):
# 获取“选择月份”的链接
month_links = response.css('.tqtongji2 .tqmonth a::attr(href)').getall()
for link in month_links:
yield scrapy.Request(url=link, callback=self.parse_month_page)
```
在 `parse_month_page` 方法中,可以解析每个月份的页面,并把数据存入 CSV 文件和 MySQL 数据库中。
3. 在 Item 中定义需要爬取的数据字段,例如日期、温度、气压、风力等:
```python
class WeatherItem(scrapy.Item):
date = scrapy.Field()
temperature = scrapy.Field()
pressure = scrapy.Field()
wind = scrapy.Field()
```
4. 在 Spider 中解析每个月份的页面,获取数据并存入 CSV 文件和 MySQL 数据库中。首先要找到每个月份页面中的天气数据表格,然后循环解析每一行数据:
```python
def parse_month_page(self, response):
# 找到天气数据表格
table = response.css('.tqtongji1 table')[1]
rows = table.css('tr')
for row in rows[1:]:
# 解析每一行数据
item = WeatherItem()
item['date'] = row.css('td:nth-child(1)::text').get()
item['temperature'] = row.css('td:nth-child(2)::text').get()
item['pressure'] = row.css('td:nth-child(3)::text').get()
item['wind'] = row.css('td:nth-child(4)::text').get()
yield item
```
5. 在 Spider 中定义数据存储管道,将数据存入 CSV 文件和 MySQL 数据库中:
```python
class WeatherPipeline:
def open_spider(self, spider):
self.file = open('weather.csv', 'w', encoding='utf-8', newline='')
self.writer = csv.writer(self.file)
self.writer.writerow(['日期', '温度', '气压', '风力'])
self.conn = pymysql.connect(host='localhost', user='root', password='123456', db='test', charset='utf8')
self.cursor = self.conn.cursor()
def close_spider(self, spider):
self.file.close()
self.conn.close()
def process_item(self, item, spider):
# 写入 CSV 文件
self.writer.writerow([item['date'], item['temperature'], item['pressure'], item['wind']])
# 存入 MySQL 数据库
sql = "INSERT INTO weather(date, temperature, pressure, wind) VALUES (%s, %s, %s, %s)"
values = (item['date'], item['temperature'], item['pressure'], item['wind'])
self.cursor.execute(sql, values)
self.conn.commit()
return item
```
6. 在 Spider 中定义翻页的规则。根据“选择月份”的链接构造出每个月份页面的 URL,例如 https://lishi.tianqi.com/beijing/202208.html,https://lishi.tianqi.com/beijing/202209.html,https://lishi.tianqi.com/beijing/202210.html 等等,可以使用 `scrapy.Request` 方法来构造请求:
```python
def parse(self, response):
# 获取“选择月份”的链接
month_links = response.css('.tqtongji2 .tqmonth a::attr(href)').getall()
for link in month_links:
# 构造每个月份页面的 URL
url = response.urljoin(link.replace('.html', ''))
for i in range(1, 32):
# 构造每一天的 URL
day_url = url + f'{i:02d}.html'
yield scrapy.Request(url=day_url, callback=self.parse_day_page)
```
在 `parse_day_page` 方法中,可以解析每一天的页面,并把数据存入 CSV 文件和 MySQL 数据库中。
以上就是一个大致的思路,具体的实现细节还需要根据实际情况进行调整。
阅读全文