0.参考

https://doc.scrapy.org/en/latest/topics/item-pipeline.html?highlight=mongo#write-items-to-mongodb

20180721新增:异步版本

https://twistedmatrix.com/documents/15.3.0/core/howto/rdbms.html

https://twistedmatrix.com/documents/18.7.0/api/twisted.python.failure.Failure.html

https://twistedmatrix.com/documents/12.1.0/core/howto/time.html

1.主要实现

(1) 连接超时自动重连 MySQL server

(2) 通过 item_list 收集 item,达到阈值后批量提交至数据库

(3) 通过解析异常,自动移除存在异常的数据行,重新提交 item_list

(4) shutdown 之前在 close_spider() 中提交当前 item_list

(5) 20180721新增:异步版本

2.同步版本

保存至 /site-packages/my_pipelines.py

from socket import gethostname
import time
import re
from html import escape import pymysql
pymysql.install_as_MySQLdb()
from pymysql import OperationalError, InterfaceError, DataError, IntegrityError class MyMySQLPipeline(object): hostname = gethostname() def __init__(self, settings):
self.mysql_host = settings.get('MYSQL_HOST', '127.0.0.1')
self.mysql_port = settings.get('MYSQL_PORT', 3306)
self.mysql_user = settings.get('MYSQL_USER', 'username')
self.mysql_passwd = settings.get('MYSQL_PASSWD', 'password')
self.mysql_reconnect_wait = settings.get('MYSQL_RECONNECT_WAIT', 60) self.mysql_db = settings.get('MYSQL_DB')
self.mysql_charset = settings.get('MYSQL_CHARSET', 'utf8') #utf8mb4
self.mysql_item_list_limit = settings.get('MYSQL_ITEM_LIST_LIMIT', 30) self.item_list = [] @classmethod
def from_crawler(cls, crawler):
return cls(
settings = crawler.settings
) def open_spider(self, spider):
try:
self.conn = pymysql.connect(
host = self.mysql_host,
port = self.mysql_port,
user = self.mysql_user,
passwd = self.mysql_passwd,
db = self.mysql_db,
charset = self.mysql_charset,
)
except Exception as err:
spider.logger.warn('MySQL: FAIL to connect {} {}'.format(err.__class__, err))
time.sleep(self.mysql_reconnect_wait)
self.open_spider(spider)
else:
spider.logger.info('MySQL: connected') self.curs = self.conn.cursor(pymysql.cursors.DictCursor)
spider.curs = self.curs def close_spider(self, spider):
self.insert_item_list(spider)
self.conn.close()
spider.logger.info('MySQL: closed') def process_item(self, item, spider):
self.item_list.append(item)
if len(self.item_list) >= self.mysql_item_list_limit:
self.insert_item_list(spider) return item def sql(self):
raise NotImplementedError('Subclass of MyMySQLPipeline must implement the sql() method') def insert_item_list(self, spider):
spider.logger.info('insert_item_list: {}'.format(len(self.item_list)))
try:
self.sql()
except (OperationalError, InterfaceError) as err:
# <class 'pymysql.err.OperationalError'>
# (2013, 'Lost connection to MySQL server during query ([Errno 110] Connection timed out)')
spider.logger.info('MySQL: exception {} err {}'.format(err.__class__, err))
self.open_spider(spider)
self.insert_item_list(spider)
except Exception as err:
if len(err.args) == 2 and isinstance(err.args[1], str):
# <class 'pymysql.err.DataError'>
# (1264, "Out of range value for column 'position_id' at row 2")
# <class 'pymysql.err.InternalError'>
# (1292, "Incorrect date value: '1977-06-31' for column 'release_day' at row 26")
m_row = re.search(r'at\s+row\s+(\d+)$', err.args[1])
# <class 'pymysql.err.IntegrityError'>
# (1048, "Column 'name' cannot be null") films 43894
m_column = re.search(r"Column\s'(.+)'", err.args[1]) if m_row:
row = m_row.group(1)
item = self.item_list.pop(int(row) - 1)
spider.logger.warn('MySQL: {} {} exception from item {}'.format(err.__class__, err, item))
self.insert_item_list(spider)
elif m_column:
column = m_column.group(1)
item_list = []
for item in self.item_list:
if item[column] == None:
item_list.append(item)
for item in item_list:
self.item_list.remove(item)
spider.logger.warn('MySQL: {} {} exception from item {}'.format(err.__class__, err, item))
self.insert_item_list(spider)
else:
spider.logger.error('MySQL: {} {} unhandled exception from item_list: \n{}'.format(
err.__class__, err, self.item_list))
else:
spider.logger.error('MySQL: {} {} unhandled exception from item_list: \n{}'.format(
err.__class__, err, self.item_list))
finally:
self.item_list.clear()

3.调用方法

Scrapy 项目 project_name

MySQL 数据库 database_name, 表 table_name

(1) 项目 pipelines.py 添加代码:

from my_pipelines import MyMySQLPipeline

class MySQLPipeline(MyMySQLPipeline):

    def sql(self):
self.curs.executemany("""
INSERT INTO table_name (
position_id, crawl_time)
VALUES (
%(position_id)s, %(crawl_time)s)
ON DUPLICATE KEY UPDATE
crawl_time=values(crawl_time)
""", self.item_list) self.conn.commit()

(2) 项目 settings.py 添加代码:

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
# 'project_name.pipelines.ProxyPipeline': 300,
'project_name.pipelines.MySQLPipeline': 301,
} MYSQL_HOST = '127.0.0.1'
MYSQL_PORT = 3306
MYSQL_USER = 'username'
MYSQL_PASSWD ='password'
MYSQL_RECONNECT_WAIT = 60 MYSQL_DB = 'database_name'
MYSQL_CHARSET = 'utf8' #utf8mb4
MYSQL_ITEM_LIST_LIMIT = 3 #100

4.运行结果

自动移除存在异常的数据行,重新提交 item_list:

2018-07-18 12:35:52 [scrapy.core.scraper] DEBUG: Scraped from <200 http://httpbin.org/>
{'position_id': 103, 'crawl_time': '2018-07-18 12:35:52'}
2018-07-18 12:35:52 [scrapy.core.scraper] DEBUG: Scraped from <200 http://httpbin.org/>
{'position_id': None, 'crawl_time': '2018-07-18 12:35:52'}
2018-07-18 12:35:52 [scrapy.core.scraper] DEBUG: Scraped from <200 http://httpbin.org/>
{'position_id': 104, 'crawl_time': '2018-02-31 17:51:47'}
2018-07-18 12:35:55 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://httpbin.org/> (referer: http://httpbin.org/)
2018-07-18 12:35:55 [test] INFO: insert_item_list: 3
2018-07-18 12:35:55 [test] WARNING: MySQL: <class 'pymysql.err.IntegrityError'> (1048, "Column 'position_id' cannot be null") exception from item {'position_id': None, 'crawl_time': '2018-07-18 12:35:52'}
2018-07-18 12:35:55 [test] INFO: insert_item_list: 2
2018-07-18 12:35:55 [test] WARNING: MySQL: <class 'pymysql.err.InternalError'> (1292, "Incorrect datetime value: '2018-02-31 17:51:47' for column 'crawl_time' at row 1") exception from item {'position_id': 104, 'crawl_time': '2018-02-31 17:51:47'}
2018-07-18 12:35:55 [test] INFO: insert_item_list: 1
2018-07-18 12:35:55 [scrapy.core.scraper] DEBUG: Scraped from <200 http://httpbin.org/>

提交结果:

在 self.item_list.append(item) 之后 添加代码 spider.logger.info('process_item: {}'.format(len(self.item_list))) 打印添加 item 后的当前 item_list 元素个数

连续 yield 5个 item,累计3个则触发 insert,红框 insert 部分将会阻塞绿框中后续 yield 部分:

5.异步版本

(1) 保存至 /site-packages/my_pipelines.py

# -*- coding: utf-8 -*-
from socket import gethostname
import time
import re # https://twistedmatrix.com/documents/15.3.0/core/howto/rdbms.html
# twisted.enterprise.adbapi: Twisted RDBMS support
from twisted.enterprise import adbapi
import pymysql
from pymysql import OperationalError, InterfaceError, DataError, InternalError, IntegrityError class MyMySQLPipeline(object): hostname = gethostname() def __init__(self, spider, settings):
self.spider = spider self.dbpool = adbapi.ConnectionPool('pymysql',
host = settings.get('MYSQL_HOST', '127.0.0.1'),
port = settings.get('MYSQL_PORT', 3306),
user = settings.get('MYSQL_USER', 'username'),
passwd = settings.get('MYSQL_PASSWD', 'password'),
db = settings.get('MYSQL_DB', 'test'),
charset = settings.get('MYSQL_CHARSET', 'utf8'), #utf8mb4 cursorclass = pymysql.cursors.DictCursor
)
self.mysql_reconnect_wait = settings.get('MYSQL_RECONNECT_WAIT', 60)
self.mysql_item_list_limit = settings.get('MYSQL_ITEM_LIST_LIMIT', 30)
self.item_list = [] @classmethod
def from_crawler(cls, crawler):
return cls(
spider = crawler.spider,
settings = crawler.settings
) def close_spider(self, spider):
self._sql(list(self.item_list)) def process_item(self, item, spider):
self.item_list.append(item) if len(self.item_list) >= self.mysql_item_list_limit:
spider.log('item_list: %s'%len(self.item_list))
self._sql(list(self.item_list))
self.item_list.clear() return item def sql(self, txn, item_list):
raise NotImplementedError('Subclass of MyMySQLPipeline must implement the sql() method') def _sql(self, item_list, retrying=False):
d = self.dbpool.runInteraction(self.sql, item_list)
d.addCallback(self.handle_result, item_list)
d.addErrback(self.handle_error, item_list, retrying) def handle_result(self, result, item_list):
self.spider.logger.info('{} items inserted with retcode {}'.format(len(item_list), result)) def handle_error(self, failure, item_list, retrying):
# https://twistedmatrix.com/documents/18.7.0/api/twisted.python.failure.Failure.html
# r = failure.trap(pymysql.err.InternalError) args = failure.value.args # <class 'pymysql.err.OperationalError'> (1045, "Access denied for user 'username'@'localhost' (using password: YES)")
# <class 'pymysql.err.OperationalError'> (2013, 'Lost connection to MySQL server during query ([Errno 110] Connection timed out)')
# <class 'pymysql.err.OperationalError'> (2003, "Can't connect to MySQL server on '127.0.0.1' ([WinError 10061] 由于目标计算机积极拒绝,无法连接。)")
# <class 'pymysql.err.InterfaceError'> (0, '') # after crawl started: sudo service mysqld stop
if failure.type in [OperationalError, InterfaceError]:
if not retrying:
self.spider.logger.info('MySQL: exception {} {} \n{}'.format(
failure.type, args, item_list))
self.spider.logger.debug('MySQL: Trying to recommit in %s sec'%self.mysql_reconnect_wait) # self._sql(item_list)
# https://twistedmatrix.com/documents/12.1.0/core/howto/time.html
from twisted.internet import task
from twisted.internet import reactor
task.deferLater(reactor, self.mysql_reconnect_wait, self._sql, item_list, True)
else:
self.spider.logger.warn('MySQL: exception {} {} \n{}'.format(
failure.type, args, item_list)) return # <class 'pymysql.err.DataError'> (1264, "Out of range value for column 'position_id' at row 2")
# <class 'pymysql.err.InternalError'> (1292, "Incorrect date value: '1977-06-31' for column 'release_day' at row 26")
elif failure.type in [DataError, InternalError]:
m_row = re.search(r'at\s+row\s+(\d+)$', args[1])
row = m_row.group(1)
item = item_list.pop(int(row) - 1)
self.spider.logger.warn('MySQL: {} {} exception from item {}'.format(failure.type, args, item)) self._sql(item_list)
return # <class 'pymysql.err.IntegrityError'> (1048, "Column 'name' cannot be null") films 43894
elif failure.type in [IntegrityError]:
m_column = re.search(r"Column\s'(.+)'", args[1])
column = m_column.group(1)
some_items = [item for item in item_list if item[column] is None]
self.spider.logger.warn('MySQL: {} {} exception from some items: \n{}'.format(
failure.type, args, some_items)) self._sql([item for item in item_list if item[column] is not None])
return else:
self.spider.logger.error('MySQL: {} {} unhandled exception from item_list: \n{}'.format(
failure.type, args, item_list)) return

(2) 项目 pipelines.py 添加代码:注意 dbpool.runInteraction 是自动提交的 transaction

from my_pipelines import MyMySQLPipeline

class MySQLPipeline(MyMySQLPipeline):

    def sql(self, txn, item_list):
return txn.executemany("""
INSERT INTO table_name (
position_id, crawl_time)
VALUES (
%(position_id)s, %(crawl_time)s)
ON DUPLICATE KEY UPDATE
crawl_time=values(crawl_time)
""", item_list)

(3) 项目 settings.py

见上文同步版本 3(1)

(4) 运行结果

在 self.item_list.append(item) 之后 添加代码 spider.logger.info('process_item: {}'.format(len(self.item_list))) 打印添加 item 后的当前 item_list 元素个数

连续 yield 5个 item,累计3个则触发 insert,红框 insert 部分并不会阻塞绿框中后续 yield 部分:

另外可见使用了连接池

Scrapy 扩展中间件: 同步/异步提交批量 item 到 MySQL的更多相关文章

  1. Scrapy 扩展中间件: 针对特定响应状态码,使用代理重新请求

    0.参考 https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#module-scrapy.downloadermidd ...

  2. 表单(同步提交)和AJAX(异步提交)示范

    表单提交(同步提交) HTML文件: PHP文件: 这样就能接收到HTML里输入的内容,注意: FORM表头method为POST,PHP文件获取的方法就是$_POST,method为GET,PHP的 ...

  3. LoadRunner11脚本小技能之同步/异步接口分离+批量替换请求头

    最近在公司又进行了一次LoadRunner11性能测试,技能又get了一点,继续Mark起来!!! 一.异步/同步接口分离 之前在另一篇博文中有提到"事务拆分"的小节,即一个htm ...

  4. 02 . Go框架之Gin框架从入门到熟悉(数据解析和绑定,渲染,重定向,同步异步,中间件)

    数据解析和绑定 json数据解析和绑定 package main import ( "github.com/gin-gonic/gin" "net/http" ...

  5. 图片上传,支持同步/异步、预览(MVC、uploadify异步提交、js预览、ajaxSubmit异步提交)兼容大部分浏览器,含代码

    图片上传代码,支持同步/异步和图片的预览 主要用了两种方式,可兼容大部分浏览器. 第一种使用uploadify异步上传,上传后返回图片路径显示到页面. 每二种使用ajaxSubmit异步上传,为兼容I ...

  6. 使用C# HttpWebRequest进行多线程网页提交。Async httpclient/HttpWebRequest实现批量任务的发布及异步提交和超时取消

    使用线程池并发处理request请求及错误重试,使用委托处理UI界面输出. http://www.cnblogs.com/Charltsing/p/httpwebrequest.html for (i ...

  7. Django之ORM多对多表创建方式,AJAX异步提交,分页器组件等

    MTV与MVC MTV模型: ​ M:模型层(models.py),负责业务对象和数据库关系的映射(ORM) ​ T:模板层(Template),负责如何把页面展示给用户(HTML) ​ V:视图层( ...

  8. 多道技术 进程 线程 协程 GIL锁 同步异步 高并发的解决方案 生产者消费者模型

    本文基本内容 多道技术 进程 线程 协程 并发 多线程 多进程 线程池 进程池 GIL锁 互斥锁 网络IO 同步 异步等 实现高并发的几种方式 协程:单线程实现并发 一 多道技术 产生背景 所有程序串 ...

  9. {Python之进程} 背景知识 什么是进程 进程调度 并发与并行 同步\异步\阻塞\非阻塞 进程的创建与结束 multiprocess模块 进程池和mutiprocess.Poll

    Python之进程 进程 本节目录 一 背景知识 二 什么是进程 三 进程调度 四 并发与并行 五 同步\异步\阻塞\非阻塞 六 进程的创建与结束 七 multiprocess模块 八 进程池和mut ...

随机推荐

  1. pwn-ROP

    首先对目标文件checksec,提示NX  enabled,看看其解释 NX/DEP(堆栈不可执行) NX即No-eXecute(不可执行)的意思,NX(DEP)的基本原理是将数据所在内存页标识为不可 ...

  2. mysq建表参数设置

    建表的完整性约束: not null 与 default unique primary auto_increment foreign key 外键的变种  三种关系 一.介绍 约束条件与数据类型的宽度 ...

  3. .NET框架 - NETCORE部署IIS

    .NET框架 - NETCORE部署IIS 1. 发布NETCORE项目. 2. 发布IIS 添加 网站 修改对应的程序池 为 ”无托管代码“. 3. 浏览网站. IIS 需提前安装好 .netcor ...

  4. 关于4A系统(我对4A系统的维护的理解)

    4A系统 4A系统是统一安全管理平台解决方案,指认证Authentication.账号Account.授权Authorization.审计Audit,中文名称为统一安全管理平台解决方案.即将身份认证. ...

  5. [图解Java]ReentrantLock重入锁

    图解ReentrantLock 0. demo 我先给出一个demo, 这样大家就可以根据我给的这段代码, 边调试边看源码了. 还是那句话: 注意"My" , 我把Reentran ...

  6. Java使用AES算法进行加密解密

    一.加密 /** * 加密 * @param src 源数据字节数组 * @param key 密钥字节数组 * @return 加密后的字节数组 */ public static byte[] En ...

  7. <发条游戏设计>粗翻——第一部分 理论(一)

    段落1 游戏 游戏设计定义 相对而言,游戏设计是一个新的学科,专业的作曲家.画家.作家.建筑师已经至少存在了500多年,然而游戏设计师只在最近50年才被特分出来单作一类.然而这个类别仅仅在最近20-2 ...

  8. C++编译/运行过程中产生的各种文件

    参考:https://blog.csdn.net/weixin_39609623/article/details/82348576 Windows中的obj,lib,dll,exe文件 lib是和dl ...

  9. postgresql设置主键

    replace(((uuid_generate_v4())::character varying)::text, '-'::text, ''::text)

  10. Python:正则表达式(一):search()、match()、findall() 的区别

    以前一直觉得正则很难,不会用,今天试验了几个方法,整理总结了一下,简洁明了. 简单来讲,正则就是 提取一段特征数据,用(.*?)代替. 自己总结的特点&区别: (.*) 贪婪匹配,会尽可能的往 ...