当前位置：首页 > 脚本中心 > python > 详细页面

Django-Scrapy生成后端json接口的方法示例

时间：2020-10-06来源：www.pcxitongcheng.com作者：电脑系统城

网上的关于django-scrapy的介绍比较少，该博客只在本人查资料的过程中学习的，如果不对之处，希望指出改正；

以后的博客可能不会再出关于django相关的点；

人心太浮躁，个人深度不够，只学习了一些皮毛，后面博客只求精，不求多；

希望能坚持下来。加油！

学习点：

实现效果
django与scrapy的创建
setting中对接的位置和代码段
scrapy_djangoitem使用
scrapy数据爬取保存部分
数据库设计以及问题部分
django配置

实现效果：

django与scrapy的创建：

django的创建：

1	`django startproject 项目名称`

1 2	`cd 项目名称` `python manage.py startapp appname`

例如：

scrapy的创建：

1
2
3
4
5 # cd django的根目录下
cd job_hnting
scrapy startproject 项目名称
#创建爬虫
scrapy genspider spidername 'www.xxx.com'

例如：

setting的设置：

在scrapy框架中的setting指向django，让django知道有scrapy;

在scrapy中的setting设置；

1
2
3
4
5
6
7 import os
import django

#导入
os.environ['DJANGO_SETTINGS_MODULE'] = 'job_hnting.settings'
#手动初始化
django.setup()

如：

scrapy_djangoitem使用：

1	`pip install scrapy_djangoitem`

该库在scrapy项目下的item中编写引入：

1
2
3
4
5
6
7
8
9
10 import scrapy
# 引入django中app中models文件中的类
from app51.models import app51data
# scrapy与django对接的库
from scrapy_djangoitem import DjangoItem

class JobprojectItem(DjangoItem):
#引用django下的model中的类名
django_model = app51data

数据存储部分对接在后面解释，现在大体框架完整；

scrapy爬取保存部分：

首先编写scrapy爬虫部分：

我们选取的是51招聘网站的数据：

爬取分为三个函数：

主函数
解析函数
总页数函数

51job的反爬手段：

将json的数据格式隐藏在网页结构中，网上教程需要别的库解析（自行了解），

我们的方法是使用正则匹配提取定位到数据部分，使用json库解析：

1
2
3 # 定位数据位置，提取json数据
search_pattern = "window.__SEARCH_RESULT__ = (.*?)</script>"
jsonText = re.search(search_pattern, response.text, re.M | re.S).group(1)

获得关键字总页数：

1
2
3 # 解析json数据
jsonObject = json.loads(jsonText)
number = jsonObject['total_page']

在主函数中构造页面url并给到解析函数:

1
2
3
4
5 for number in range(1,int(numbers)+1):
next_page_url = self.url.format(self.name,number)
# print(next_page_url)
#构造的Urlcallback到data_parse函数中
yield scrapy.Request(url=next_page_url,callback=self.data_parse)

最后在解析函数中提取需要的数据：

1
2
3
4
5
6
7
8
9 for job_item in jsonObject["engine_search_result"]:
items = JobprojectItem()
items['job_name'] = job_item['job_name']
items['company_name'] = job_item["company_name"]
# 发布时间
items['Releasetime'] = job_item['issuedate']
items['salary'] = job_item['providesalary_text']
items['site'] = job_item['workarea_text']
.......

相关的细节部分需要自己调整，完整代码在 GitHub 中。

数据爬取部分解决后，需要到scrapy项目中的pipline文件保存；

1
2
3
4 class SeemeispiderPipeline(object):
def process_item(self, item, spider):
item.save()
return item

记得在setting文件中取消掉pipline的注释

设置数据库：

Django配置数据库有两种方法：

方法一：直接在settings.py文件中添加数据库配置信息（个人使用的）

1
2
3
4
5
6
7
8
9
10
11 DATABASES = {
# 方法一
'default': {
'ENGINE': 'django.db.backends.mysql', # 数据库引擎
'NAME': 'mysite', # 数据库名称
'USER': 'root', # 数据库登录用户名
'PASSWORD': '123', # 密码
'HOST': '127.0.0.1', # 数据库主机IP，如保持默认，则为127.0.0.1
'PORT': 3306, # 数据库端口号，如保持默认，则为3306
}
}

方法二：将数据库配置信息存到一个文件中，在settings.py文件中将其引入。

新建数据库配置文件my.cnf(名字随意选择)

1
2
3
4
5
6
7 [client]
database = blog
user = blog
password = blog
host =127.0.0.1
port = 3306
default-character-set = utf8

在settings.py文件中引入my.cnf文件

1
2
3
4
5
6
7
8
9 DATABASES = {
# 方法二：
'default': {
'ENGINE': 'django.db.backends.mysql',
'OPTIONS': {
'read_default_file': 'utils/dbs/my.cnf',
},
}
}

启用Django与mysql的连接

在生产环境中安装pymysql 并且需要在settings.py文件所在包中的 __init__.py 中导入pymysql

1 2	`import` `pymysql` `pymysql.install_as_MySQLdb()`

对应前面的item，在spider中编写时按照model设置的即可；;

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24 from django.db import models
# Create your models here.
#定义app51的数据模型
class app51data(models.Model):
#发布时间,长度20
Releasetime = models.CharField(max_length=20)
#职位名，长度50
job_name =models.CharField(max_length=50)
#薪水
salary = models.CharField(max_length=20)
#工作地点
site = models.CharField(max_length=50)
#学历水平
education = models.CharField(max_length=20)
#公司名称
company_name = models.CharField(max_length=50)
#工作经验
Workexperience = models.CharField(max_length=20)
#指定表名
class Meta:
db_table = 'jobsql51'

def __str__(self):
return self.job_name

当指定完表名后，在DBMS中只需要创建对应的数据库即可，表名自动创建

每次修改数据库都要进行以下命令：

1 2	`python manage.py makemigrations` `python manage.py migrate`

到此mysql数据库配置完成

配置数据库时遇到的错误：

Django启动报错：AttributeError: 'str' object has no attribute 'decode'

解决方法：

找到Django安装目录

G:\env\django_job\Lib\site-packages\django\db\backends\mysql\operations.py

编辑operations.py；

将146行的decode修改成encode

1
2
3
4
5
6
7
8
9 def last_executed_query(self, cursor, sql, params):
# With MySQLdb, cursor objects have an (undocumented) "_executed"
# attribute where the exact query sent to the database is saved.
# See MySQLdb/cursors.py in the source distribution.
query = getattr(cursor, '_executed', None)
if query is not None:
#query = query.decode(errors='replace')
uery = query.encode(errors='replace')
return query

django配置：

关于django的基础配置，如路由，app的注册等基础用法，暂时不过多说明；

以下主要关于APP中视图的配置，生成json；

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33 from django.shortcuts import render
from django.http import HttpResponse
# Create your views here.
#引入数据
from .models import app51data
import json

def index(request):
# return HttpResponse("hello world")
# return render(request,'index.html')
#获取所有的对象，转换成json格式
data =app51data.objects.all()
list3 = []
i = 1
for var in data:
data = {}
data['id'] = i
data['Releasetime'] = var.Releasetime
data['job_name'] = var.job_name
data['salary'] = var.salary
data['site'] = var.site
data['education'] = var.education
data['company_name'] = var.company_name
data['Workexperience'] = var.Workexperience
list3.append(data)
i += 1

# a = json.dumps(data)
# b = json.dumps(list2)

# 将集合或字典转换成json 对象
c = json.dumps(list3)
return HttpResponse(c)