为什么选择用 MongoDB 作为 Python 爬虫的存储方式?以下是一些理由:
- 支持半结构化数据存储
Python 爬虫的数据来源是互联网,数据的结构形态多种多样,没有统一的数据结构。而 MongoDB 支持半结构化数据的存储,这意味着我们可以直接把爬取得到的原始数据存储到 MongoDB 中,不必麻烦地事先提供一些结构化的模板,这极大的简化了爬虫的开发流程。
- 可扩展性强
爬虫数据的规模通常是非常大的,而 MongoDB 能够轻松地应对数据量的增长。它还支持分布式部署,这一特性非常契合爬虫在分布式系统上运行的需求。
- 存储效率高
MongoDB 查询数据的速度非常快,这意味着我们可以快速查找所有爬取的信息。此外,MongoDB 还支持索引,能够提高查询效率。
下面是两个关于使用 MongoDB 存储 Python 爬虫数据的示例:
示例 1:使用 PyMongo 库爬取百度贴吧
此示例展示了如何使用 PyMongo 库和 Python 3.x 爬取百度贴吧,并将数据存储到 MongoDB 中。你可以在安装了 PyMongo 和 BeautifulSoup4 库的 Python 3.x 环境中运行该示例,步骤如下:
- 下载 PyMongo 库和 BeautifulSoup4 库。
pip install pymongo
pip install beautifulsoup4
- 创建一个名为 baidu_tieba.py 的 Python 文件,复制以下代码。
```python
import requests
from bs4 import BeautifulSoup
from pymongo import MongoClient
client = MongoClient()
db = client['baidu_tieba']
collection = db['posts']
def get_html(url):
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
def parse_html(html):
soup = BeautifulSoup(html, 'lxml')
for li in soup.select('#thread_list li.j_thread_list'):
post = {}
post['title'] = li.select('.j_th_tit')[0].text.strip()
post['author'] = li.select('.frs-author-name')[0].text.strip()
post['reply'] = li.select('.threadlist_rep_num')[0].text.strip()
post['view'] = li.select('.threadlist_text')[0].text.strip()
yield post
def save_to_mongodb(posts):
for post in posts:
collection.insert_one(post)
if name == 'main':
url_format = 'https://tieba.baidu.com/f?kw=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&ie=utf-8&pn={}'
for i in range(1):
url = url_format.format(i * 50)
html = get_html(url)
posts = parse_html(html)
save_to_mongodb(posts)
```
该程序首先创建了一个名为 baidu_tieba 的 MongoDB 数据库和一个名为 posts 的 Collection。接下来,爬取百度贴吧的主页并进行数据解析,最后把解析结果保存到 MongoDB 中。解析出来的信息包括帖子标题,作者,回复数和浏览数。
示例 2:使用 Scrapy 爬取带有 AJAX 请求的网站
此示例展示了如何使用 Scrapy 和 Python 3.x 爬取一个带有 AJAX 请求的网站,并将数据存储到 MongoDB 中。你可以在安装了 Scrapy、PyMongo 和 pymongo_splash 库的 Python 3.x 环境中运行该示例,步骤如下:
- 下载 Scrapy、PyMongo 和 pymongo_splash 库。
pip install scrapy
pip install pymongo
pip install pymongo_splash
- 创建一个名为 quote_spider.py 的 Scrapy 爬虫文件,复制以下代码。
```python
import scrapy
from pymongo import MongoClient
from scrapy_splash import SplashRequest
class QuoteSpider(scrapy.Spider):
name = 'quotes'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/js/']
client = MongoClient()
db = client['quotes']
collection = db['quotes']
script = """
function main(splash, args)
assert(splash:go(args.url))
splash:wait(1)
splash:runjs('document.getElementById("load-more").scrollIntoView();')
splash:wait(1)
return splash:html()
end
"""
def start_requests(self):
for url in self.start_urls:
yield SplashRequest(url=url, callback=self.parse, endpoint='execute', args={
'lua_source': self.script
})
def parse(self, response):
for quote in response.css('div.quote'):
text = quote.css('span.text::text').get()
author = quote.css('span small::text').get()
tags = quote.css('div.tags a.tag::text').getall()
yield {
'text': text,
'author': author,
'tags': tags,
}
next_page = response.css('li.next a::attr(href)').get()
if next_page is not None:
yield SplashRequest(response.urljoin(next_page), callback=self.parse, endpoint='execute', args={
'lua_source': self.script
})
def closed(self, reason):
self.client.close()
```
该爬虫在爬取 quotes.toscrape.com 网站时,需要通过 Splash 处理 AJAX 请求获取真正的数据。爬虫在爬取网站后,将获取到的 quote 信息以字典形式保存到 Mongo 中。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:python爬虫用mongodb的理由 - Python技术站