scrapy爬取微信公众号内容，多管道储存，orm数据储存

• 基本介绍：基于异步爬虫的框架。高性能的数据解析，高性能的持久化存储，全站数据爬取，增量式，分布式…
• 环境的安装：

- Linux：

- Windows：

• scrapy基本使用

  • 工程的目录结构：

    • spiders文件夹： 这里存放爬虫的主程序，这里可以写多个爬虫文件，分别执行不同的爬虫功能。
      • 要求：必须要存储一个或者多页爬虫文件
    • items.py： 这个文件定义了爬虫程序中爬取的字段信息，对应着数据库中的属性信息。
    • middlewares.py： 下载中间件，可以对爬取到的网页信息尽心特定的处理。
    • pipelines.py： 管道，也就是将返回来的item字段信息写入到数据库，这里可以写写入数据库的代码。
    • settings.py： 配置文件。

  • 2.创建爬虫文件

    • cd proName
    • scrapy genspider spiderName www.xxx.com

  • 3.执行工程

    • scrapy crawl spiderName
    • 重点关注的日志信息：ERROR类型的日志信息
      • settings.py：LOG_LEVEL = ‘ERROR’
      • settings.py：不遵从robots协议
      • settings.py:
      • UA伪装：USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36’

settings.py代码参考以及配置意思的含义:

数据解析

打开spiders文件夹下爬虫文件
wechat/wechat/spiders/wechatspider.py

代码如下:

持久化存储

• 基于终端指令的持久化存储
  cd 项目文件下
  用命令把爬取课程名和url地址存在本地

• 基于管道的持久化存储
  1.spider文件下得爬虫文件wechatspider.py

2.items.py代码

3.去settings里开启管道配置。

4.1 封装管道类，把数据储存到mysql里 ; pipelines.py代码:
，我比较懒，不喜写SQL语句，用sqlalchemy来处理的。

mysql 创建库:

create database wechat charset utf8mb4;

cd spiderst同级目录下
mkdir docs
新建models.py:

执行命令:

alembic init migrations

修改alembic.ini、enc.py代码 ，参考：https://blog.csdn.net/yutu75/article/details/117362459
也可以自行百度如何迁移，

alembic revision --autogenerate -m “v1”

alembic upgrade head

修改pipelines.py,代码:
下面封装了三个管道类：

txt文件，mysql，Redis

执行命令 :

scrapy crwal wechatspider

储存后txt：

持久化储存的知识点总结

redis的基础使用

全站数据爬取