Scrapy抓取到网页数据，保存到数据库，是通过pipelines来处理的。看一下官方文档的说明。

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。

以下是item pipeline的一些典型应用：

清理HTML数据

验证爬取的数据(检查item包含某些字段)

查重(并丢弃)

将爬取结果保存到数据库中

一、解析页面数据 Spider类

本文以简书《读书》专题为例，抓取专题收录的所有文章数据，http://www.jianshu.com/collection/yD9GAd

把需要爬取的页面数据解析出来，封装成对象Item，提交(yield)。

item = JsArticleItem()

author = info.xpath('p/a/text()').extract()

pubday = info.xpath('p/span/@data-shared-at').extract()

author_url = info.xpath('p/a/@href').extract()

title = info.xpath('h4/a/text()').extract()

url = info.xpath('h4/a/@href').extract()

reads = info.xpath('div/a[1]/text()').extract()

reads = filter(str.isdigit, str(reads[0]))

comments = info.xpath('div/a[2]/text()').extract()

comments = filter(str.isdigit, str(comments[0]))

likes = info.xpath('div/span[1]/text()').extract()

likes = filter(str.isdigit,str(likes[0]))

rewards = info.xpath('div/span[2]/text()')

## 判断文章有无打赏数据

if len(rewards)==1 :

rds = info.xpath('div/span[2]/text()').extract()

rds = int(filter(str.isdigit,str(rds[0])))

else:

rds = 0

item['author'] = author

item['url'] = 'http://www.jianshu.com'+url[0]

item['reads'] = reads

item['title'] = title

item['comments'] = comments

item['likes'] = likes

item['rewards'] = rds

item['pubday'] = pubday

yield item

定义好的Item类，在items.py中

class JsArticleItem(Item):

author = Field()

url = Field()

title = Field()

reads = Field()

comments = Field()

likes = Field()

rewards = Field()

pubday = Field()

二、pipelines.py中定义一个类，操作数据库

class WebcrawlerScrapyPipeline(object):

'''保存到数据库中对应的class

1、在settings.py文件中配置

2、在自己实现的爬虫类中yield item,会自动执行'''

def __init__(self, dbpool):

self.dbpool = dbpool

@classmethod

def from_settings(cls, settings):

'''1、@classmethod声明一个类方法，而对于平常我们见到的叫做实例方法。

2、类方法的第一个参数cls(class的缩写，指这个类本身)，而实例方法的第一个参数是self，表示该类的一个实例

3、可以通过类来调用，就像C.f()，相当于java中的静态方法'''

#读取settings中配置的数据库参数

dbparams = dict(

host=settings['MYSQL_HOST'],

db=settings['MYSQL_DBNAME'],

user=settings['MYSQL_USER'],

passwd=settings['MYSQL_PASSWD'],

charset='utf8', # 编码要加上，否则可能出现中文乱码问题

cursorclass=MySQLdb.cursors.DictCursor,

use_unicode=False,

)

dbpool = adbapi.ConnectionPool('MySQLdb', **dbparams) # **表示将字典扩展为关键字参数,相当于host=xxx,db=yyy....

return cls(dbpool) # 相当于dbpool付给了这个类，self中可以得到

# pipeline默认调用

def process_item(self, item, spider):

query = self.dbpool.runInteraction(self._conditional_insert, item) # 调用插入的方法

query.addErrback(self._handle_error, item, spider) # 调用异常处理方法

return item

# 写入数据库中

# SQL语句在这里

def _conditional_insert(self, tx, item):

sql = "insert into jsbooks(author,title,url,pubday,comments,likes,rewards,views) values(%s,%s,%s,%s,%s,%s,%s,%s)"

params = (item['author'], item['title'], item['url'], item['pubday'],item['comments'],item['likes'],item['rewards'],item['reads'])

tx.execute(sql, params)

# 错误处理方法

def _handle_error(self, failue, item, spider):

print failue

三、在settings.py中指定数据库操作的类，启用pipelines组件

ITEM_PIPELINES = {

'jsuser.pipelines.WebcrawlerScrapyPipeline': 300,#保存到mysql数据库

}

#Mysql数据库的配置信息

MYSQL_HOST = '127.0.0.1'

MYSQL_DBNAME = 'testdb' #数据库名字，请修改

MYSQL_USER = 'root' #数据库账号，请修改

MYSQL_PASSWD = '1234567' #数据库密码，请修改

MYSQL_PORT = 3306 #数据库端口，在dbhelper中使用

其他设置，伪装浏览器请求，设置延迟抓取，防ban

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 Safari/536.5'

ROBOTSTXT_OBEY=False

DOWNLOAD_DELAY = 0.25 # 250 ms of delay

运行爬虫，cmdline.execute("scrapy crawl zhanti".split()) 开始，OK!

Scrapy爬取数据存入Mongdb貌似更方便，代码更少，看下面文章链接。

我的Scrapy爬虫框架系列文章：