二十二.多進(jìn)程實(shí)戰(zhàn) - 簡(jiǎn)書(shū)網(wǎng)熱評(píng)文章

爬取網(wǎng)址:http://www.reibang.com/c/bDHhpK
爬取信息:用戶ID棍潘,發(fā)表時(shí)間瓶籽,標(biāo)題匠童,內(nèi)容,瀏覽量塑顺,評(píng)論數(shù)汤求,點(diǎn)贊數(shù),打賞數(shù)(可能沒(méi)有)
爬取方式:使用lxml解析严拒。
存儲(chǔ)方式:MongoDB存儲(chǔ) & MySQL存儲(chǔ)

image.png

1.MongoDB存儲(chǔ)代碼如下:

import requests
from lxml import etree
import pymongo
from multiprocessing import Pool

#下述三條語(yǔ)句不能放在"if __name__ == '__main__'"中扬绪,否則無(wú)法寫入數(shù)據(jù)庫(kù)。
client = pymongo.MongoClient('localhost', 27017) #連接數(shù)據(jù)庫(kù)
mydb = client['mydb']
jianshu = mydb['jianshu']   ##創(chuàng)建數(shù)據(jù)庫(kù)和數(shù)據(jù)集合

def get_info(url):
    headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}
    r = requests.get(url,headers =headers)
    html = etree.HTML(r.text)
    infos = html.xpath('//ul[@class="note-list"]/li')
    for info in infos:       
        try:
            author = info.xpath('div/div[1]/div/a/text()')[0]
            write_time = info.xpath('div/div[1]/div/span/@data-shared-at')[0]
            title = info.xpath('div/a/text()')[0]
            content = info.xpath('div/p/text()')[0].strip()
            view = info.xpath('div/div[2]/a/text()')[1].strip()
            comment = info.xpath('div/div[2]/a[2]/text()')[1].strip()
            great = info.xpath('div/div[2]/span[1]/text()')[0].strip()
            reward1 = info.xpath('div/div[2]/span[2]/text()')
            if len(reward1)== 0:
                reward = "無(wú)"
            else:
                reward = reward1[0].strip()
                
            data = {
                '用戶ID':author,
                '發(fā)表日期':write_time,
                '標(biāo)題':title,
                '內(nèi)容':content,
                '瀏覽量':view,
                '評(píng)論數(shù)':comment,
                '點(diǎn)贊數(shù)':great,
                '打賞數(shù)':reward
            }
            jianshu.insert_one(data)
            
        except IndexError:
            pass 
            
if __name__ == '__main__':
    url_list = ["http://www.reibang.com/c/bDHhpK?order_by=added_at&page={}".format(str(i)) for i in range(1,1001)]       
    pool = Pool(processes=4)     #創(chuàng)建進(jìn)程池
    pool.map(get_info, url_list)  #調(diào)用進(jìn)程池

在代碼運(yùn)行過(guò)程中裤唠,如果想查詢當(dāng)前獲取的數(shù)據(jù)量挤牛,可以通過(guò)Robomongo,對(duì)集合點(diǎn)擊右鍵選擇“Statistics”來(lái)實(shí)現(xiàn)种蘸。


image.png

在數(shù)值count中即可看到當(dāng)前獲取的數(shù)據(jù)量墓赴。


image.png

當(dāng)然,通過(guò)命令行也可以實(shí)現(xiàn)航瞭。
① 在bin文件夾中輸入mongo
② 輸入use mydb
③ 輸入db.jianshu.find().count()

image.png

顯示結(jié)果均為1995诫硕。

2.采用MySQL存儲(chǔ)
1)先建立數(shù)據(jù)表 jianshu

  CREATE TABLE jianshu(
  用戶ID TEXT,
  發(fā)表日期 TEXT,
  標(biāo)題 TEXT,
  內(nèi)容 TEXT,
  瀏覽量 TEXT,
  評(píng)論數(shù) TEXT,
  點(diǎn)贊數(shù) TEXT,
  打賞數(shù) TEXT
  )ENGINE INNODB DEFAULT CHARSET=utf8;

2)然后修改了一下導(dǎo)入的模塊,寫入mysql的數(shù)據(jù)格式刊侯,存儲(chǔ)到mysql的操作命令等章办,基本就可以運(yùn)作了。需要注意的是,采用多線程池的操作時(shí)藕届,不要把mysql的相關(guān)操作命令寫入"if name == 'main'"中挪蹭,否則報(bào)錯(cuò)。
代碼如下:

import requests
from lxml import etree
import pymysql
from multiprocessing import Pool

###下述兩條語(yǔ)句不能放在"if __name__ == '__main__'"中翰舌,否則無(wú)法連接數(shù)據(jù)庫(kù)嚣潜。
conn = pymysql.connect(host='localhost',user='root',db='mydb',port=3306,charset="utf8")  #連接數(shù)據(jù)庫(kù)
cursor = conn.cursor()  #光標(biāo)對(duì)象

def get_info(url):
    headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}
    r = requests.get(url,headers =headers)
    html = etree.HTML(r.text)
    infos = html.xpath('//ul[@class="note-list"]/li')
    for info in infos:       
        try:
            author = info.xpath('div/div[1]/div/a/text()')[0]
            write_time = info.xpath('div/div[1]/div/span/@data-shared-at')[0]
            title = info.xpath('div/a/text()')[0]
            content = info.xpath('div/p/text()')[0].strip()
            view = info.xpath('div/div[2]/a/text()')[1].strip()
            comment = info.xpath('div/div[2]/a[2]/text()')[1].strip()
            great = info.xpath('div/div[2]/span[1]/text()')[0].strip()
            reward1 = info.xpath('div/div[2]/span[2]/text()')
            if len(reward1)== 0:
                reward = "無(wú)"
            else:
                reward = reward1[0].strip()
            cursor.execute('INSERT INTO jianshu(用戶ID,發(fā)表日期,標(biāo)題,內(nèi)容,瀏覽量,評(píng)論數(shù),點(diǎn)贊數(shù),打賞數(shù)) VALUES (%s,%s,%s,%s,%s,%s,%s,%s)',
                  (author,write_time,title,content,view,comment,great,reward))   #插入數(shù)據(jù)
            conn.commit()  #提交事務(wù)   **此語(yǔ)句也不能放入"if __name__ == '__main__'"中冬骚,否則無(wú)法寫入數(shù)據(jù)庫(kù)椅贱。
            
        except IndexError:
            pass 
            
if __name__ == '__main__':    
    url_list = ["http://www.reibang.com/c/bDHhpK?order_by=added_at&page={}".format(str(i)) for i in range(1,1001)]       
    pool = Pool(processes=4)     #創(chuàng)建進(jìn)程池
    pool.map(get_info, url_list)  #調(diào)用進(jìn)程池

好不容易讓數(shù)據(jù)入庫(kù)Mysql,但是運(yùn)行完幾頁(yè)后只冻,還是出現(xiàn)了點(diǎn)編碼方面的小問(wèn)題:

Traceback (most recent call last):
  File "F:\Python-Ex\try.py", line 588, in <module>
    pool.map(get_info, url_list)  #調(diào)用進(jìn)程池
  File "C:\Python36\lib\multiprocessing\pool.py", line 266, in map
    return self._map_async(func, iterable, mapstar, chunksize).get()
  File "C:\Python36\lib\multiprocessing\pool.py", line 644, in get
    raise self._value
pymysql.err.InternalError: (1366, "Incorrect string value: '\\xF0\\x9F\\x8E\\xA4\\xE5\\xB8...' for column '標(biāo)題' at row 1")

原因是Mysql里UTF8編碼最多只能支持3個(gè)字節(jié)庇麦,而Emoji表情字符使用的UTF8編碼,很多都是4個(gè)字節(jié)喜德,有些甚至是6個(gè)字節(jié)山橄。
而最簡(jiǎn)單的方法就是把特殊字符替換掉。
由于時(shí)間關(guān)系舍悯,這里就不展開(kāi)了航棱。
相關(guān)解決方案,可以參考以下鏈接:
http://blog.csdn.net/z69183787/article/details/48465729

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末萌衬,一起剝皮案震驚了整個(gè)濱河市饮醇,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌秕豫,老刑警劉巖朴艰,帶你破解...
    沈念sama閱讀 211,817評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異混移,居然都是意外死亡祠墅,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門歌径,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)毁嗦,“玉大人,你說(shuō)我怎么就攤上這事回铛」纷迹” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,354評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵勺届,是天一觀的道長(zhǎng)驶俊。 經(jīng)常有香客問(wèn)我,道長(zhǎng)免姿,這世上最難降的妖魔是什么饼酿? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,498評(píng)論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上故俐,老公的妹妹穿的比我還像新娘想鹰。我一直安慰自己,他們只是感情好药版,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,600評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布辑舷。 她就那樣靜靜地躺著,像睡著了一般槽片。 火紅的嫁衣襯著肌膚如雪何缓。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 49,829評(píng)論 1 290
  • 那天还栓,我揣著相機(jī)與錄音碌廓,去河邊找鬼。 笑死剩盒,一個(gè)胖子當(dāng)著我的面吹牛谷婆,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播辽聊,決...
    沈念sama閱讀 38,979評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼纪挎,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了跟匆?” 一聲冷哼從身側(cè)響起异袄,我...
    開(kāi)封第一講書(shū)人閱讀 37,722評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎贾铝,沒(méi)想到半個(gè)月后隙轻,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,189評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡垢揩,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,519評(píng)論 2 327
  • 正文 我和宋清朗相戀三年玖绿,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片叁巨。...
    茶點(diǎn)故事閱讀 38,654評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡斑匪,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出锋勺,到底是詐尸還是另有隱情蚀瘸,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布庶橱,位于F島的核電站贮勃,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏苏章。R本人自食惡果不足惜寂嘉,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,940評(píng)論 3 313
  • 文/蒙蒙 一奏瞬、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧泉孩,春花似錦硼端、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,762評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至句喷,卻和暖如春镣典,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背脏嚷。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,993評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工骆撇, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留瞒御,地道東北人父叙。 一個(gè)月前我還...
    沈念sama閱讀 46,382評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像肴裙,于是被迫代替她去往敵國(guó)和親趾唱。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,543評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容

  • 什么是數(shù)據(jù)庫(kù)蜻懦? 數(shù)據(jù)庫(kù)是存儲(chǔ)數(shù)據(jù)的集合的單獨(dú)的應(yīng)用程序甜癞。每個(gè)數(shù)據(jù)庫(kù)具有一個(gè)或多個(gè)不同的API,用于創(chuàng)建宛乃,訪問(wèn)悠咱,管理...
    chen_000閱讀 4,032評(píng)論 0 19
  • 數(shù)據(jù)庫(kù)分類 關(guān)系型數(shù)據(jù)庫(kù)庫(kù):Relational Database Management System (RDBM...
    Stay_Hungry_Fly閱讀 617評(píng)論 0 0
  • 前段時(shí)間公司內(nèi)部博客上凱哥分享了一篇關(guān)于mysql字符集編碼的文章,之前我對(duì)mysql字符集一塊基本沒(méi)有深究過(guò),看...
    __七把刀__閱讀 6,420評(píng)論 14 18
  • 開(kāi)啟:./mysqld_safe --default-file=/etc/my.cnf --user=mysql ...
    SkTj閱讀 414評(píng)論 0 1
  • 背景: 閱讀新聞 12C CDB模式下RMAN備份與恢復(fù) [日期:2016-11-29] 來(lái)源:Linux社區(qū) 作...
    陽(yáng)屯okyepd閱讀 3,362評(píng)論 0 7