scrapy爬虫框架调用百度地图api数据存入数据库

创建一个新的Scrapy项目

scrapy安装配置不在本文 提及， 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令

scrapy startproject mySpider

其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下： 下面来简单介绍一下各个主要文件的作用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/：存储爬虫代码目录

mySpider/spiders/__init__.py ：爬虫主要处理逻辑

调用api来获取信息并入库

今天通过爬虫调用 百度地图api来获取 全国学校的经纬度信息 并入库。

 百度地图接口api :http://api.map.baidu.com/place/v2/search?query=小学、中学或者大学&region=地市名字&output=json&ak=你的开发者ak&page_num=页码

打开mySpider目录下的items.py

Item 定义结构化数据字段，用来保存爬取到的数据，也是爬取数据后导出的字段，有点像Python中的dict字典，但是提供了一些额外的保护减少错误。

可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item。

items.py

import scrapy
class GetpointItem(scrapy.Item):
      # define the fields for your item here like:
      # name = scrapy.Field()
      name = scrapy.Field()  #学校名称
      lat = scrapy.Field()   #纬度
      lng = scrapy.Field()   #经度     
      city = scrapy.Field()  #地市
      area = scrapy.Field()  #区县
      address = scrapy.Field()  #地址
      types = scrapy.Field()    #学校类型（小学，中学，大学）

mySpider/spiders目录里的 __init__.py写逻辑

  import scrapy
  import json
  from urllib.parse import urlencode
  from .. import items
  class DmozSpider(scrapy.Spider):
      name = "map"
      allowed_domains = []
      #三层循环数组分别请求api，由于百度api返回的数据不是所有，所以必须传入页码，来爬取更多数据。
     def start_requests(self):
         cities = ['北京','上海','深圳']14         
         types =['小学','中学','大学']
         for city in cities:
             for page in range(1, 16):
                 for type_one in types:
                     base_url = 'http://api.map.baidu.com/place/v2/search?'
                     params = {
                         'query': type_one,
                         'region': city,
                         'output':'json',
                         'ak': '你的ak',
                         'page_num': page
                     }
                     url = base_url + urlencode(params)
                     yield scrapy.Request(url, callback=self.parse,meta={"types":type_one})
 
     def parse(self, response):
         res = json.loads(response.text) #请求回来数据需转成json
         result= res.get('results')
         types = response.meta["types"]  #由于api返回来数据没有学校type的数据，这里需要自己接一下 传参时的type参数
         #print(types)
         if result:
             for result_one in result:
                 item = items.GetpointItem() #调用item的GetpointItem类，导出item
                 item['name'] = result_one.get('name')
                 item['lat'] = result_one.get('location').get('lat')
                 item['lng'] = result_one.get('location').get('lng')42                 item['city'] = result_one.get('city')
                 item['area'] = result_one.get('area')
                 item['types'] = types
                 item['address'] = result_one.get('address')
                 yield item
         else:
              print('网络请求错误')

编辑pipelines.py

from itemadapter import ItemAdapter
import pymysql
import json

class DBPipeline(object):
    def __init__(self):
        # 连接MySQL数据库
        self.connect=pymysql.connect(host='localhost',user='root',password='1q2w3e',db='mapspider',port=3306)
        self.cursor=self.connect.cursor()
    def process_item(self, item, spider):
        # 往数据库里面写入数据
        try:
            self.cursor.execute("""select * from school where name = %s""", item['name'])
            ret = self.cursor.fetchone()
            if ret:
                print(item['name']+'***********数据重复！***************')
            else:
                self.cursor.execute(
                """insert into school(name, lng, lat, type,city,county,address)
                value (%s, %s, %s, %s, %s, %s, %s)""",
                (
                 item['name'],
                 json.dumps(item['lng']),
                 json.dumps(item['lat']),
                 item['types'],
                 item['city'],
                 item['area'],
                 item['address']
                 ))
                self.connect.commit()
                return item
        except Exception as eror:
            print('错误')
    # 关闭数据库
    def close_spider(self,spider):
        self.cursor.close()
        self.connect.close()

重复数据的话，fecthOne直接排除 ，入库。。。。，

4）执行脚本 scray crawl map

scrapy crawl map

name 要写对哦

回车 ，开始 唰唰唰

成果如下：

　　　　 期间 ，百度地图 api 多次并发，不让访问了，多爬几次就好了，程序逻辑 晓得就好了。

接口api爬完了，下次爬一爬 页面xpath上的内容。