【Python Scrapy 爬虫框架】 5、利用 pipelines 和 settings 将爬取数据存储到 MongoDB

0x00 前言

前文中讲到了将爬取的数据导出到文件中，接下来就在前文的代码基础之上，将数据导出到 MongoDB中。

0x01 配置 pipelines.py

首先来到 pipelines.py 文件下，在这里写入连接操作数据库的一些功能。

将连接操作 mongo 所需要的包导入进来

import pymongo

接下来定义一些参数，注意下面的函数都是在 TeamssixPipeline 类下的

@classmethod
def from_crawler(cls, crawler):
    cls.DB_URL = crawler.settings.get('MONGO_DB_URI')
    cls.DB_NAME = crawler.settings.get('MONGO_DB_NAME')
    return cls()

def open_spider(self, spider):
    self.client = pymongo.MongoClient(self.DB_URL)
    self.db = self.client[self.DB_NAME]

def close_spider(self, spider):
    self.client.close()

def process_item(self, item, spider):
    collection = self.db[spider.name]
    collection.insert_one(dict(item))
    return item

0x02 配置 settings.py

ITEM_PIPELINES 是settings.py 文件自带的，把注释符号删掉就好

ITEM_PIPELINES = {
    'teamssix.pipelines.TeamssixPipeline': 300,  #优先级，1-1000，数值越低优先级越高
}
MONGO_DB_URI = 'mongodb://localhost:27017'  #mongodb 的连接 url
MONGO_DB_NAME = 'blog'  #要连接的库

0x02 运行

直接执行命令，不加参数

scrapy crawl blogurl

注意，如果原来 MongoDB 中没有我们要连接的库， MongoDB 会自己创建，就不需要自己创建了，所以还是蛮方便的，使用 Robo 3T 打开后，就能看到刚才存进的数据。

更多信息欢迎关注我的个人微信公众号：TeamsSix
原文链接：https://www.teamssix.com/year/191226-151702.html

参考链接：
https://youtu.be/aDwAmj3VWH4
http://doc.scrapy.org/en/latest/topics/architecture.html
https://lemmo.xyz/post/Scrapy-To-MongoDB-By-Pipeline.html