这是python3实战入门系列的第三篇文章，要学习这一篇需要了解前两篇，要不学起来比较费劲
下面来正式开始把我们第一节爬取到的新闻数据保存到mysql数据中
一，首先我们需要连接数据库
通过定义一个MySQLCommand类来配置数据库连接参数，并定义一个connectMysql方法连接数据库
# -*- coding: utf-8 -*-# 作者微信：2501902696import pymysql# 用来操作数据库的类class MySQLCommand(object): # 类的初始化 def __init__(self): self.host = 'localhost' self.port = 3306 # 端口号 self.user = 'root' # 用户名 self.password = "" # 密码 self.db = "home" # 库 self.table = "home_list" # 表 # 链接数据库 def connectMysql(self): try: self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, passwd=self.password, db=self.db, charset='utf8') self.cursor = self.conn.cursor() except: print('connect mysql error.')复制代码 二，连接完数据库后我们需要插入数据了
插入数据之前我们有两个问题
- 1，重复的数据如何去重
- 2，新数据的主键id应该从哪里开始 针对上面的两个问题我贴出一部分代码来看解决思路
# 插入数据，插入之前先查询是否存在，如果存在就不再插入 def insertData(self, my_dict): table = "home_list" # 要操作的表格 # 注意，这里查询的sql语句url=' %s '中%s的前后要有空格 sqlExit = "SELECT url FROM home_list WHERE url = ' %s '" % (my_dict['url']) res = self.cursor.execute(sqlExit) if res: # res为查询到的数据条数如果大于0就代表数据已经存在 print("数据已存在", res) return 0 # 数据不存在才执行下面的插入操作 try: cols = ', '.join(my_dict.keys())#用，分割 values = '"," '.join(my_dict.values()) sql = "INSERT INTO home_list (%s) VALUES (%s)" % (cols, '"' + values + '"') #拼装后的sql如下 # INSERT INTO home_list (img_path, url, id, title) VALUES ("https://img.huxiucdn.com.jpg"," https://www.huxiu.com90.html"," 12"," ") try: result = self.cursor.execute(sql) insert_id = self.conn.insert_id() # 插入成功后返回的id self.conn.commit() # 判断是否执行成功 if result: print("插入成功", insert_id) return insert_id + 1 except pymysql.Error as e: # 发生错误时回滚 self.conn.rollback() # 主键唯一，无法插入 if "key 'PRIMARY'" in e.args[1]: print("数据已存在，未插入数据") else: print("插入数据失败，原因 %d: %s" % (e.args[0], e.args[1])) except pymysql.Error as e: print("数据库错误，原因%d: %s" % (e.args[0], e.args[1]))复制代码 通过上面代码我们来看如何去重
- 我们在每次插入之前需要查询下数据是否已经存在，如果存在就不在插入，我们的home_list表格的字段有 id，title,url,img_path。通过分析我们抓取到的数据titlehe和img_path字段都可能为空，所以这里我们通过url字段来去重。知道去重原理以后再去读上面的代码，你应该能容易理解了
三，查询数据库中最后一条数据的id值，来确定我们新数据id的开始值
通过下面的getLastId函数来获取home_list表里的最后一条数据的id值
# 查询最后一条数据的id值 def getLastId(self): sql = "SELECT max(id) FROM " + self.table try: self.cursor.execute(sql) row = self.cursor.fetchone() # 获取查询到的第一条数据 if row[0]: return row[0] # 返回最后一条数据的id else: return 0 # 如果表格为空就返回0 except: print(sql + ' execute failed.')复制代码
下面贴出MySQLCommand数据库操作类的完整代码
# -*- coding: utf-8 -*-# 作者微信：2501902696import pymysql# 用来操作数据库的类class MySQLCommand(object): # 类的初始化 def __init__(self): self.host = 'localhost' self.port = 3306 # 端口号 self.user = 'root' # 用户名 self.password = "" # 密码 self.db = "home" # 库 self.table = "home_list" # 表 # 链接数据库 def connectMysql(self): try: self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, passwd=self.password, db=self.db, charset='utf8') self.cursor = self.conn.cursor() except: print('connect mysql error.') # 插入数据，插入之前先查询是否存在，如果存在就不再插入 def insertData(self, my_dict): table = "home_list" # 要操作的表格 # 注意，这里查询的sql语句url=' %s '中%s的前后要有空格 sqlExit = "SELECT url FROM home_list WHERE url = ' %s '" % (my_dict['url']) res = self.cursor.execute(sqlExit) if res: # res为查询到的数据条数如果大于0就代表数据已经存在 print("数据已存在", res) return 0 # 数据不存在才执行下面的插入操作 try: cols = ', '.join(my_dict.keys())#用，分割 values = '"," '.join(my_dict.values()) sql = "INSERT INTO home_list (%s) VALUES (%s)" % (cols, '"' + values + '"') #拼装后的sql如下 # INSERT INTO home_list (img_path, url, id, title) VALUES ("https://img.huxiucdn.com.jpg"," https://www.huxiu.com90.html"," 12"," ") try: result = self.cursor.execute(sql) insert_id = self.conn.insert_id() # 插入成功后返回的id self.conn.commit() # 判断是否执行成功 if result: print("插入成功", insert_id) return insert_id + 1 except pymysql.Error as e: # 发生错误时回滚 self.conn.rollback() # 主键唯一，无法插入 if "key 'PRIMARY'" in e.args[1]: print("数据已存在，未插入数据") else: print("插入数据失败，原因 %d: %s" % (e.args[0], e.args[1])) except pymysql.Error as e: print("数据库错误，原因%d: %s" % (e.args[0], e.args[1])) # 查询最后一条数据的id值 def getLastId(self): sql = "SELECT max(id) FROM " + self.table try: self.cursor.execute(sql) row = self.cursor.fetchone() # 获取查询到的第一条数据 if row[0]: return row[0] # 返回最后一条数据的id else: return 0 # 如果表格为空就返回0 except: print(sql + ' execute failed.') def closeMysql(self): self.cursor.close() self.conn.close() # 创建数据库操作类的实例复制代码 再贴出把爬虫爬取数据插入到数据库的代码
# -*- coding: utf-8 -*-# 作者微信：2501902696from bs4 import BeautifulSoupfrom urllib import requestimport chardetfrom db.MySQLCommand import MySQLCommandurl = "https://www.huxiu.com"response = request.urlopen(url)html = response.read()charset = chardet.detect(html)html = html.decode(str(charset["encoding"])) # 设置抓取到的html的编码方式# 使用剖析器为html.parsersoup = BeautifulSoup(html, 'html.parser')# 获取到每一个class=hot-article-img的a节点allList = soup.select('.hot-article-img')# 连接数据库mysqlCommand = MySQLCommand()mysqlCommand.connectMysql()#这里每次查询数据库中最后一条数据的id，新加的数据每成功插入一条id+1dataCount = int(mysqlCommand.getLastId()) + 1for news in allList: # 遍历列表，获取有效信息 aaa = news.select('a') # 只选择长度大于0的结果 if len(aaa) > 0: # 文章链接 try: # 如果抛出异常就代表为空 href = url + aaa[0]['href'] except Exception: href = '' # 文章图片url try: imgUrl = aaa[0].select('img')[0]['src'] except Exception: imgUrl = "" # 新闻标题 try: title = aaa[0]['title'] except Exception: title = "" #把爬取到的每条数据组合成一个字典用于数据库数据的插入 news_dict = { "id": str(dataCount), "title": title, "url": href, "img_path": imgUrl } try: # 插入数据，如果已经存在就不在重复插入 res = mysqlCommand.insertData(news_dict) if res: dataCount=res except Exception as e: print("插入数据失败", str(e))#输出插入失败的报错语句mysqlCommand.closeMysql() # 最后一定要要把数据关闭dataCount=0复制代码 如果对上面代码不是很了解可以到我的第一节文章去看下
到此我们的python3爬虫+python3数据库篇就完事了，看下操作效果图
写于---Python零基础实战入门第四天