Django-Scrapy生成后端json接口

Django-Scrapy生成后端json接口：

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：

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

实现效果：

django与scrapy的创建：

django的创建：

django startproject 项目名称

cd 项目名称
python manage.py startapp appname

例如：

scrapy的创建：

# 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；

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：

pip install scrapy_djangoitem

该库在scrapy项目下的item中编写引入：

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：

1. 主函数
2. 解析函数
3. 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：

# 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：

# 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:

        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：

        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；

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）

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)

[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

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

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；;

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：

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

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；

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)

实现效果：

完整代码在GitHub中，希望随手star，感谢！

如果有问题欢迎留言，日常在线。