为了入库,我需要在Django定义一个数据库的结构。(不说nosql和mongodb(也是一个nosql但是很像关系型)的事)还记得那个名叫web的app么,里面有个叫models.py的文件,我现在就来编辑它。vim ~/python_spider/web/models.py内容如下:# -*- coding: utf-8 -*-from django.db import models# Create your models here.class Tag(models.Model): title = models.CharField(max_length=30) def __unicode__(self): return self.titleclass Question(models.Model): title = models.CharField(max_length=255) content = models.TextField() tags = models.ManyToManyField(Tag, related_name='questions') sf_id = models.CharField(max_length=16, default='0') # 加上这个可以记住问题在sf的位置,方便以后更新或者其他操作 update_date = models.DateTimeField(auto_now=True) def __unicode__(self): return self.titleclass Answer(models.Model): question = models.ForeignKey(Question, related_name='answers') content = models.TextField() def __unicode__(self): return 'To question %s' % self.question.title都很直白,关于各个field可以看看 Django 的文档。然后,我需要告诉我的python_spider项目,在运行的时候加载web这个app(项目不会自动加载里面的app)。vim ~/python_spider/python_spider/settings.py在INSTALLED_APPS里面加入web:INSTALLED_APPS = ( 'django.contrib.admin', 'django.contrib.auth', 'django.contrib.contenttypes', 'django.contrib.sessions', 'django.contrib.messages', 'django.contrib.staticfiles', 'web',)下面,就可以用django自动生成数据库schema了cd ~/python_spiderpython manage.py makemigrationspython manage.py migrate现在,我~/python_spider目录就产生了一个db.sqlite3文件,这是我的数据库。把玩一番我的模型>>> from web.models import Answer, Question, Tag>>> tag = Tag()>>> tag.title = u'测试标签'>>> tag.save()>>> tag
接下来,我需要把采集的信息入库,说白了,就是把我自己蜘蛛的信息利用django的ORM存到django连接的数据库里面,方便以后再用Django读取用于做站。入库的方法太多了,这里随便写一种,就是在web app里面建立一个spider.py, 里面定义两个蜘蛛,继承之前自己写的蜘蛛,再添加入库方法。vim ~/python_spider/web/spider.py代码如下:# -*- coding: utf-8 -*-from sfspider import spiderfrom web.models import Answer, Question, Tagclass ContentSpider(spider.SegmentfaultQuestionSpider): def save(self): # 添加save()方法 sf_id = self.url.split('/')[-1] # 1 tags = [Tag.objects.get_or_create(title=tag_title)[0] for tag_title in self.tags] # 2 question, created = Question.objects.get_or_create( sf_id=sf_id, defaults={'title':self.title, 'content':self.content} ) # 3 question.tags.add(*tags) # 4 question.save() for answer in self.answers: Answer.objects.get_or_create(content=answer, question=question) return question, createdclass TagSpider(spider.SegmentfaultTagSpider): def crawl(self): # 采集当前分页 sf_ids = [url.split('/')[-1] for url in self.questions] for sf_id in sf_ids: question, created = ContentSpider(sf_id).save() def crawl_all_pages(self): while True: print u'正在抓取TAG:%s, 分页:%s' % (self.tag_name, self.page) # 5 self.crawl() if not self.has_next_page: break else: self.next_page()这个地方写得很笨,之前该在SegmentfaultQuestionSpider加上这个属性。创建或者获取该提问的tags创建或者获取提问,采用sf_id来避免重复把tags都添加到提问,这里用*是因为这个方法原本的参数是(tag1, tag2, tag3)。但是我们的tags是个列表测试的时候方便看看进度然后,测试下我们的入库脚本全选复制放进笔记python manage.py shell>>> from web.spider import TagSpider>>> t = TagSpider(u'微信')>>> t.crawl_all_pages()正在抓取TAG:微信, 分页:1正在抓取TAG:微信, 分页:2正在抓取TAG:微信, 分页:3KeyboardInterrupt # 用control-c中断运行,测试一下就行:)>>> from web.models import Tag, Question>>> Question.objects.all()[
为了更直观的观察我采集的数据,我可以利用django自带的admin编辑文件vim ~/python_spider/web/admin.pyfrom django.contrib import adminfrom web.models import Tag, Question, Answeradmin.site.register(Tag)admin.site.register(Question)admin.site.register(Answer)然后创建超级用户python manage.py createsuperuser # 根据提示创建启动测试服务器python manage.py runserver 0.0.0.0:80 # 我这是在runabove上,本地直接manage.py runserver然后,我访问http://192.99.71.91/admin/登录刚刚创建的账号,就能对内容进行查看和编辑了END